<div dir="ltr"><div dir="ltr"><div dir="ltr">Hi everyone, <div><br></div><div>Here is the abstract for Tuesday's talk. </div><div><br></div><div>Bryan</div><div><br></div><div>Bio-inspired models of machine learning in vision<br></div><div>Stefan Mihalas, Allen Institute for Brain Science</div><div><br></div><div><div>Deep neural network have been inspired by biological networks. Convolutional neural network, a frequently used form of deep networks, have had great success in many real-world applications and have been used to model visual processing in the brain. However, these networks require large amounts of labeled data to train and are quite brittle: for example, small changes in the input image can dramatically change the network's output prediction. In contrast to what is known from biology, these networks rely on feedforward connections, largely ignoring the influence of recurrent connections.</div><div>In this study we construct deep neural networks which make use of knowledge of local circuits, and test some predictions of the network against observed data. For the local circuit, we used a model based on the assumption that the lateral connections of neurons implement optimal integration of context. The optimal computations require more complex neurons, but they can be approximated by a standard artificial neuron. We tested this hypothesis using natural scene statistics and mouse v1 recordings which allows us to construct a parameter-free model for lateral connections. The optimal structure matches the observed structure (like-to-like pyramidal connectivity and distance dependence of connections) better than receptive field correlation models.</div><div>Subsequently we integrated these local circuits in traditional convolutional neural networks. Models with optimal lateral connections are more robust to noise and achieve better performance on noisy versions of the MNIST and CIFAR-10 datasets. These models also reproduce salient features of observed neuronal recordings: e.g. positive signal and noise correlations. Our results demonstrate the usefulness of combining knowledge of local circuits with machine learning techniques in real-world vision tasks and studying cortical computations.</div><div><br></div><br><div class="gmail_quote"><div dir="ltr">On Sat, Nov 24, 2018 at 10:49 PM Bryan Tripp <<a href="mailto:bptripp@gmail.com">bptripp@gmail.com</a>> wrote:<br></div><blockquote class="gmail_quote" style="margin:0px 0px 0px 0.8ex;border-left:1px solid rgb(204,204,204);padding-left:1ex"><div dir="ltr"><div dir="ltr">Hi everyone, <div><br></div><div>Please join us for the seminar on Tuesday. The speaker is Stefan Mihalas, from the Allen Institute for Brain Science (Seattle). The title is, "Bio-inspired models of machine learning in vision."</div><div><br></div><div>Bryan</div></div></div>
</blockquote></div></div></div></div></div>