


Bagaimanakah anjing melihat dunia? Penyelidik manusia berusaha untuk menyahkod kognisi visual dalam otak anjing
Anjing dan manusia telah berkembang bersama sepanjang 15,000 tahun yang lalu. Pada masa kini, anjing sering hidup dalam persekitaran manusia sebagai haiwan peliharaan. Kadang-kadang anjing menonton video di rumah seperti yang dilakukan orang, dan nampaknya memahami.
Jadi, bagaimana rupa dunia di mata anjing?
Baru-baru ini, kajian dari Universiti Emory menyahkod imej visual daripada otak anjing, mendedahkan buat kali pertama bagaimana otak anjing itu membina semula perkara yang dilihatnya. Penyelidikan itu diterbitkan dalam Journal of Visualized Experiments.
Alamat kertas: https://www.jove.com/t/64442/through-dog-s-eyes-fmri-decoding-naturalistic-videos -from-dog
Para penyelidik merekodkan data saraf fMRI daripada dua ekor anjing yang terjaga dan tidak terkawal semasa mereka menonton video selama 30 minit pada tiga kali berasingan selama 90 minit. Mereka kemudian menggunakan algoritma pembelajaran mesin untuk menganalisis corak dalam data saraf.
Gregory Berns, seorang profesor psikologi di Universiti Emory dan salah seorang pengarang kertas itu, berkata: "Kami boleh memantau aktiviti otak anjing semasa ia menonton video dan membina semula sedikit sebanyak apa yang ia lakukan. sedang melihat . Sungguh mengagumkan bahawa kami dapat melakukan ini." Berns dan rakan sekerja mempelopori penggunaan teknologi pengimbasan fMRI pada anjing dan melatih anjing untuk kekal diam semasa mengukur aktiviti saraf. Sepuluh tahun yang lalu, pasukan itu menerbitkan imej otak fMRI pertama tentang anjing yang terjaga sepenuhnya, tidak terkawal, membuka pintu kepada apa yang disebut Berns sebagai "Projek Anjing."
Berns dan Callie, anjing pertama yang mengimbas aktiviti otaknya semasa terjaga sepenuhnya dan tidak terkawal.
Selama bertahun-tahun, makmal Berns telah menerbitkan pelbagai kajian tentang cara otak taring memproses penglihatan, bahasa, bau dan ganjaran (seperti menerima pujian atau makanan).
Pada masa yang sama, teknologi pembelajaran mesin terus maju, membolehkan saintis menyahkod beberapa corak aktiviti otak manusia. Berns kemudian mula tertanya-tanya sama ada teknologi serupa boleh digunakan untuk otak anjing.
Penyelidikan baharu ini berdasarkan pembelajaran mesin dan teknologi fMRI. fMRI ialah teknik pengimejan neuro yang menggunakan pengimejan resonans magnetik untuk mengukur perubahan dalam hemodinamik yang disebabkan oleh aktiviti neuron. Teknologi ini tidak invasif dan memainkan peranan penting dalam bidang penyetempatan fungsi otak. Selain manusia, teknologi ini hanya digunakan dalam segelintir spesies lain, termasuk beberapa primata.
Pengenalan Penyelidikan
Dua anjing telah digunakan dalam eksperimen itu membuktikan bahawa pembelajaran mesin, fMRI dan teknologi lain boleh digunakan secara amnya untuk analisis anjing Penyelidikan ini membantu orang lain memperoleh pemahaman yang lebih mendalam tentang cara haiwan berbeza berfikir.
Proses percubaan adalah lebih kurang seperti berikut:
Peserta eksperimen: Bhubo, 4 tahun; Daisy, 11 tahun. Kedua-dua anjing sebelum ini telah mengambil bahagian dalam beberapa sesi latihan fMRI (Bhubo: 8 sesi, Daisy: 11 sesi), beberapa daripadanya melibatkan melihat rangsangan visual yang ditayangkan pada skrin. Kedua-dua anjing itu dipilih kerana mereka dapat tinggal di dalam pengimbas untuk jangka masa yang panjang tanpa bergerak tanpa dilihat oleh pemiliknya.
Rakaman video: Rakam video dari perspektif anjing untuk menangkap adegan harian dalam kehidupan anjing itu. Senario ini termasuk berjalan, memberi makan, bermain, berinteraksi dengan manusia, interaksi anjing dengan anjing, dsb. Video itu telah disunting kepada 256 adegan unik, setiap satu menggambarkan peristiwa seperti anjing berpelukan dengan manusia, anjing berlari atau berjalan-jalan. Setiap adegan diberikan nombor dan label unik berdasarkan kandungannya. Adegan itu kemudiannya disunting menjadi lima video kompilasi yang lebih besar, setiap satu lebih kurang 6 minit.
Reka bentuk eksperimen: Peserta mula-mula diimbas menggunakan MRI 3T semasa menonton video kompilasi yang ditayangkan pada skrin di belakang lubang MRI. Untuk anjing, melalui latihan terdahulu, letakkan kepala mereka dalam sandaran dagu yang dibuat khas untuk mencapai kedudukan kepala yang stabil, seperti gambar di bawah
Percubaan telah dibahagikan menjadi tiga tontonan, setiap kali menonton video selama 30 minit, selama 90 minit.
Semasa eksperimen, fMRI digunakan untuk mengimbas anjing pada masa yang sama, dan kemudian data dianalisis Rangkaian (SNN), telah mencapai kejayaan dalam menganalisis data biologi berdimensi tinggi. Selain itu, algoritma pembelajaran mesin seperti scikit-learn dan RFC juga digunakan dalam eksperimen.
Daisy sedang diimbas, telinganya telah dirakam untuk memasang penyumbat telinga untuk menghilangkan bunyi.
Kajian ini membandingkan cara otak manusia dan anjing berfungsi. Keputusan daripada dua subjek manusia menunjukkan bahawa model yang dibangunkan menggunakan rangkaian saraf memetakan data otak kepada pengelas berasaskan objek dan berdasarkan tindakan dengan ketepatan 99% model yang sama berprestasi baik apabila menyahkod corak otak anjing, manakala penyahkodan anjing klasifikasi tindakan, ketepatan mencapai 75% - 88%. Ini menggambarkan perbezaan ketara dalam cara otak manusia dan anjing berfungsi, seperti yang ditunjukkan di bawah dalam keputusan eksperimen untuk manusia (A) dan anjing (B). Dalam hal ini, Berns membuat kesimpulan: "Kita manusia sangat mengambil berat tentang apa yang kita lihat, tetapi anjing nampaknya kurang mengambil berat tentang siapa atau apa yang mereka lihat, dan lebih kepada tingkah laku tindakan."
Pembaca yang berminat boleh membaca teks asal kertas untuk mengetahui lebih banyak butiran penyelidikan.
Atas ialah kandungan terperinci Bagaimanakah anjing melihat dunia? Penyelidik manusia berusaha untuk menyahkod kognisi visual dalam otak anjing. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

AI Hentai Generator
Menjana ai hentai secara percuma.

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas



Ditulis sebelum ini, hari ini kita membincangkan bagaimana teknologi pembelajaran mendalam boleh meningkatkan prestasi SLAM berasaskan penglihatan (penyetempatan dan pemetaan serentak) dalam persekitaran yang kompleks. Dengan menggabungkan kaedah pengekstrakan ciri dalam dan pemadanan kedalaman, di sini kami memperkenalkan sistem SLAM visual hibrid serba boleh yang direka untuk meningkatkan penyesuaian dalam senario yang mencabar seperti keadaan cahaya malap, pencahayaan dinamik, kawasan bertekstur lemah dan seks yang teruk. Sistem kami menyokong berbilang mod, termasuk konfigurasi monokular, stereo, monokular-inersia dan stereo-inersia lanjutan. Selain itu, ia juga menganalisis cara menggabungkan SLAM visual dengan kaedah pembelajaran mendalam untuk memberi inspirasi kepada penyelidikan lain. Melalui percubaan yang meluas pada set data awam dan data sampel sendiri, kami menunjukkan keunggulan SL-SLAM dari segi ketepatan kedudukan dan keteguhan penjejakan.

1 Pengenalan Medan Sinaran Neural (NeRF) adalah paradigma yang agak baharu dalam bidang pembelajaran mendalam dan penglihatan komputer. Teknologi ini telah diperkenalkan dalam kertas kerja ECCV2020 "NeRF: Mewakili Pemandangan sebagai Medan Sinaran Neural untuk Sintesis Pandangan" (yang memenangi Anugerah Kertas Terbaik) dan sejak itu telah menjadi sangat popular, dengan hampir 800 petikan sehingga kini [1]. Pendekatan ini menandakan perubahan besar dalam cara tradisional pembelajaran mesin memproses data 3D. Perwakilan pemandangan medan sinaran saraf dan proses pemaparan yang boleh dibezakan: imej komposit dengan mensampel koordinat 5D (kedudukan dan arah tontonan) sepanjang sinar kamera menyuapkan kedudukan ini ke dalam MLP untuk menghasilkan ketumpatan warna dan isipadu dan menggabungkan nilai ini menggunakan imej teknik pemaparan volumetrik; ; fungsi rendering boleh dibezakan, jadi ia boleh diluluskan

Penyelesaian anotasi visual semata-mata menggunakan penglihatan serta beberapa data daripada GPS, IMU dan penderia kelajuan roda untuk anotasi dinamik. Sudah tentu, untuk senario pengeluaran besar-besaran, ia tidak semestinya visual semata-mata. Sesetengah kenderaan yang dihasilkan secara besar-besaran akan mempunyai penderia seperti radar keadaan pepejal (AT128). Jika kami mencipta gelung tertutup data dari perspektif pengeluaran besar-besaran dan menggunakan semua penderia ini, kami boleh menyelesaikan masalah pelabelan objek dinamik dengan berkesan. Tetapi tiada radar keadaan pepejal dalam rancangan kami. Oleh itu, kami akan memperkenalkan penyelesaian pelabelan pengeluaran besar-besaran yang paling biasa ini. Teras penyelesaian anotasi visual semata-mata terletak pada pembinaan semula pose berketepatan tinggi. Kami menggunakan skema pembinaan semula pose Structure from Motion (SFM) untuk memastikan ketepatan pembinaan semula. Tetapi lulus

Ditulis di atas & Pemahaman peribadi penulis Dalam beberapa tahun kebelakangan ini, pemanduan autonomi telah mendapat perhatian yang semakin meningkat kerana potensinya untuk mengurangkan beban pemandu dan meningkatkan keselamatan pemanduan. Ramalan penghunian tiga dimensi berasaskan penglihatan ialah tugas persepsi yang muncul yang sesuai untuk penyiasatan kos efektif dan komprehensif tentang keselamatan pemanduan autonomi. Walaupun banyak kajian telah menunjukkan keunggulan alat ramalan penghunian 3D berbanding tugas persepsi berpusatkan objek, masih terdapat ulasan khusus untuk bidang yang sedang berkembang pesat ini. Kertas kerja ini mula-mula memperkenalkan latar belakang ramalan penghunian 3D berasaskan penglihatan dan membincangkan cabaran yang dihadapi dalam tugasan ini. Seterusnya, kami membincangkan secara menyeluruh status semasa dan trend pembangunan kaedah ramalan penghunian 3D semasa daripada tiga aspek: peningkatan ciri, kemesraan penggunaan dan kecekapan pelabelan. akhirnya

Katakan anda mempunyai fail imej binari yang anda ingin pindahkan melalui rangkaian. Anda terkejut bahawa pihak lain tidak menerima fail dengan betul - ia hanya mengandungi aksara pelik! Nah, nampaknya anda cuba menghantar fail dalam format bit dan bait mentah, manakala media yang anda gunakan direka untuk teks penstriman. Apakah penyelesaian untuk mengelakkan masalah seperti itu? Jawapannya ialah pengekodan Base64. Dalam artikel ini, saya akan menunjukkan kepada anda cara mengekod dan menyahkod imej binari menggunakan Python. Program ini dijelaskan sebagai program tempatan yang berdiri sendiri, tetapi anda boleh menggunakan konsep tersebut pada aplikasi yang berbeza, seperti menghantar imej yang dikodkan daripada peranti mudah alih ke pelayan dan banyak aplikasi lain. Apakah itu Base64? Sebelum menyelami artikel ini, mari kita takrifkan Base6

Awan titik, sebagai koleksi mata, dijangka membawa perubahan dalam memperoleh dan menjana maklumat permukaan tiga dimensi (3D) objek melalui pembinaan semula 3D, pemeriksaan industri dan operasi robot. Proses yang paling mencabar tetapi penting ialah pendaftaran awan titik, iaitu mendapatkan transformasi spatial yang menjajarkan dan memadankan dua awan titik yang diperoleh dalam dua koordinat berbeza. Kajian ini memperkenalkan gambaran keseluruhan dan prinsip asas pendaftaran awan titik, mengklasifikasikan dan membandingkan pelbagai kaedah secara sistematik, dan menyelesaikan masalah teknikal yang wujud dalam pendaftaran awan titik, cuba menyediakan penyelidik akademik di luar lapangan dan Jurutera memberikan bimbingan dan memudahkan perbincangan mengenai visi bersatu untuk pendaftaran awan titik. Kaedah umum pemerolehan awan titik dibahagikan kepada kaedah aktif dan pasif Awan titik yang diperoleh secara aktif oleh penderia ialah kaedah aktif, dan awan titik dibina semula kemudian.

Dalam pengaturcaraan komputer moden, bahasa C adalah salah satu bahasa pengaturcaraan yang paling biasa digunakan. Walaupun bahasa C itu sendiri tidak menyokong pengekodan dan penyahkodan Cina secara langsung, kami boleh menggunakan beberapa teknologi dan perpustakaan untuk mencapai fungsi ini. Artikel ini akan memperkenalkan cara melaksanakan pengekodan dan penyahkodan bahasa Cina dalam perisian pengaturcaraan bahasa C. Pertama, untuk melaksanakan pengekodan dan penyahkodan Cina, kita perlu memahami konsep asas pengekodan Cina. Pada masa ini, skim pengekodan Cina yang paling biasa digunakan ialah pengekodan Unicode. Pengekodan Unikod memberikan nilai angka yang unik kepada setiap aksara supaya apabila mengira

Apabila bercakap mengenai permainan domestik yang telah menjadi popular di seluruh dunia sejak dua tahun lalu, Genshin Impact pasti mengambil bahagian dalam kek itu. Menurut laporan tinjauan hasil permainan mudah alih suku pertama tahun ini yang dikeluarkan pada bulan Mei, "Genshin Impact" dengan kukuh memenangi tempat pertama di kalangan permainan mudah alih pengeluaran kad dengan kelebihan mutlak sebanyak 567 juta dolar AS. Ini juga mengumumkan bahawa "Genshin Impact" telah dalam talian hanya dalam tempoh 18 tahun Beberapa bulan kemudian, jumlah pendapatan daripada platform mudah alih sahaja melebihi AS$3 bilion (kira-kira RM13 bilion). Kini, versi pulau 2.8 terakhir sebelum pembukaan Xumi sudah lama tertangguh Selepas tempoh draf yang panjang, akhirnya terdapat plot dan kawasan baharu untuk dimainkan. Tetapi saya tidak tahu berapa banyak "Maharaja Hati" yang ada Sekarang pulau itu telah diterokai sepenuhnya, rumput telah mula tumbuh semula. Terdapat sejumlah 182 peti harta karun + 1 kotak Mora (tidak termasuk). Tidak, semasa rumput panjang
