علیرغم سادگی سیستم بینایی ، مگسهای میوه قادرند با اطمینان تنها بین افراد و فقط بر اساس بینایی تفاوت قائل شوند. این وظیفه ای است که حتی انسان هایی که تمام زندگی خود را صرف مطالعه مبارزه با Drosophila melanogaster با آن می کنند. محققان اکنون یک شبکه عصبی ایجاد کرده اند که از سیستم تصویری مگس میوه تقلید می کند و می تواند مگس ها را تشخیص داده و دوباره شناسایی کند. این ممکن است هزاران آزمایشگاه در سراسر جهان که از مگس های میوه ای به عنوان ارگانیسم الگویی استفاده می کنند ، بتوانند کارهای طولی بیشتری انجام دهند ، و ببینند که چگونه مگس ها با گذشت زمان تغییر می کنند. همچنین شواهدی ارائه می دهد که دید پرواز فروتنانه فرومایه واضح تر از آنچه قبلاً تصور می شد است.
در یک پروژه میان رشته ای ، محققان دانشگاه Guelph و دانشگاه تورنتو ، Mississauga تخصص در زیست شناسی پرواز میوه را با یادگیری ماشین برای ساخت یک الگوریتم مبتنی بر زیست شناسی که از طریق فیلم های با وضوح پایین از مگس های میوه می پیچد ترکیب می کنند تا آزمایش کنند که آیا از نظر جسمی وجود دارد یا خیر. برای یک سیستم با چنین محدودیت هایی ممکن است چنین کار سختی را انجام دهد.
مگسهای میوه دارای چشمهای مرکب کوچکی هستند که مقدار محدودی از اطلاعات بصری را به خود اختصاص می دهند ، تخمین زده می شود 29 واحد مربع (شکل 1A). دیدگاه سنتی این بوده است که پس از پردازش تصویر توسط یک مگس میوه ، فقط می توان ویژگی های بسیار گسترده ای را تشخیص داد (شکل 1B). اما کشف اخیر مبنی بر این که مگسهای میوه می توانند با ترفندهای بیولوژیکی ظریف (حلال) مؤثر باشند (شکل 1C) محققان را به این باور رساند که بینایی می تواند به طور قابل توجهی در زندگی اجتماعی مگس ها نقش داشته باشد. این ، همراه با این کشف که ساختار سیستم تصویری آنها شباهت زیادی به یک شبکه عمیق Convolutional Network (DCN) دارد ، باعث شد این تیم از این سوال بپرسد: "آیا می توانیم از یک مگس مگس مدل کنیم که بتواند افراد را شناسایی کند؟"
برنامه رایانه ای آنها توانایی ورودی و پردازش نظری مشابه یک مگس میوه را دارد و طی دو روز از طریق فیلم مگس آموزش داده می شد. سپس توانست با یک امتیاز F1 (سنجشی که ترکیبی از دقت و فراخوان) 0.75 است ، همان پرواز را در روز سوم با اطمینان انجام دهد. به طرز چشمگیر ، این تنها کمی بدتر از نمرات 0.85 و 0.83 برای الگوریتم های بدون محدودیت زیست شناسی پرواز-مغز است. برای مقایسه ، هنگامی که وظیفه آسانتر تطبیق "mugshot" پرواز به میدان 20 نفری دیگر فراهم شد ، زیست شناسان با تجربه پرواز انسان فقط نمره 0.08 را مدیریت کردند. شانس تصادفی 0.05 نمره می دهد.
الف) الگوریتم یادگیری ماشین عمیق شبکه عمیق مدرن ب) الگوریتم یادگیری ماشین مبتنی بر زیست شناسی پرواز ج) اتصالات در سیستم تصویری مگس میوه. اعتبار: اشنایدر و همکاران
به گفته جان اشنایدر ، اولین نویسنده مقاله که در هفته جاری در PLOS ONE منتشر می شود ، این مطالعه به "احتمال خستگی ناپذیر اشاره دارد که به جای اینکه فقط مقولات گسترده ای را بشناسد ، مگس های میوه ای می توانند افراد را از هم جدا کنند." در کنار دیگری ، "سلام باب ، هی آلیس" است.
گراهام تیلور ، متخصص یادگیری ماشین و CIFAR Azrieli Global Scholar در برنامه Learning in Machines and Brains ، با چشم انداز ضرب و شتم انسانها در یک کار تصویری هیجان زده شد. "بسیاری از برنامه های شبکه عصبی عمیق سعی در تکرار و خودکار سازی توانایی های انسانی مانند تشخیص چهره ، پردازش زبان طبیعی یا شناسایی آهنگ دارند. اما بندرت آنها از ظرفیت انسان فراتر نمی روند. بنابراین پیدا کردن مشکلی که الگوریتم ها بتوانند از انسان فراتر روند ، بسیار جالب است."
این آزمایشات در آزمایشگاه دانشگاه تورنتو Mississauga از جوئل لوین ، یک عضو ارشد در برنامه توسعه کودک و مغز CIFAR انجام شد. او امیدهای زیادی برای آینده تحقیقات مانند این دارد. "رویکرد جفت کردن مدل های یادگیری عمیق با سیستم های عصبی بسیار غنی است. این می تواند در مورد مدل ها ، در مورد چگونگی برقراری ارتباط نورون ها با یکدیگر ، به ما بگوید. و می تواند در مورد کل حیوانات به ما بگوید. قلمرو
اشنایدر خلاصه آنچه در آن است مانند کار بین رشته ها: "پروژه هایی از این دست عرصه ای مناسب برای متخصصان مغز و اعصاب و محققان یادگیری ماشین هستند تا با هم همکاری کنند تا از اصول اولیه چگونگی یادگیری هر سیستم - بیولوژیکی و غیره - اطلاعات را پردازش کنند."
http://gorillasocialwork.com/story5832922/پمپ-وکیوم-آبی
علیرغم سادگی سیستم بینایی ، مگسهای میوه قادرند با اطمینان تنها بین افراد و فقط بر اساس بینایی تفاوت قائل شوند. این وظیفه ای است که حتی انسان هایی که تمام زندگی خود را صرف مطالعه مبارزه با Drosophila melanogaster با آن می کنند. محققان اکنون یک شبکه عصبی ایجاد کرده اند که از سیستم تصویری مگس میوه تقلید می کند و می تواند مگس ها را تشخیص داده و دوباره شناسایی کند. این ممکن است هزاران آزمایشگاه در سراسر جهان که از مگس های میوه ای به عنوان ارگانیسم الگویی استفاده می کنند ، بتوانند کارهای طولی بیشتری انجام دهند ، و ببینند که چگونه مگس ها با گذشت زمان تغییر می کنند. همچنین شواهدی ارائه می دهد که دید پرواز فروتنانه فرومایه واضح تر از آنچه قبلاً تصور می شد است.
در یک پروژه میان رشته ای ، محققان دانشگاه Guelph و دانشگاه تورنتو ، Mississauga تخصص در زیست شناسی پرواز میوه را با یادگیری ماشین برای ساخت یک الگوریتم مبتنی بر زیست شناسی که از طریق فیلم های با وضوح پایین از مگس های میوه می پیچد ترکیب می کنند تا آزمایش کنند که آیا از نظر جسمی وجود دارد یا خیر. برای یک سیستم با چنین محدودیت هایی ممکن است چنین کار سختی را انجام دهد.
مگسهای میوه دارای چشمهای مرکب کوچکی هستند که مقدار محدودی از اطلاعات بصری را به خود اختصاص می دهند ، تخمین زده می شود 29 واحد مربع (شکل 1A). دیدگاه سنتی این بوده است که پس از پردازش تصویر توسط یک مگس میوه ، فقط می توان ویژگی های بسیار گسترده ای را تشخیص داد (شکل 1B). اما کشف اخیر مبنی بر این که مگسهای میوه می توانند با ترفندهای بیولوژیکی ظریف (حلال) مؤثر باشند (شکل 1C) محققان را به این باور رساند که بینایی می تواند به طور قابل توجهی در زندگی اجتماعی مگس ها نقش داشته باشد. این ، همراه با این کشف که ساختار سیستم تصویری آنها شباهت زیادی به یک شبکه عمیق Convolutional Network (DCN) دارد ، باعث شد این تیم از این سوال بپرسد: "آیا می توانیم از یک مگس مگس مدل کنیم که بتواند افراد را شناسایی کند؟"
برنامه رایانه ای آنها توانایی ورودی و پردازش نظری مشابه یک مگس میوه را دارد و طی دو روز از طریق فیلم مگس آموزش داده می شد. سپس توانست با یک امتیاز F1 (سنجشی که ترکیبی از دقت و فراخوان) 0.75 است ، همان پرواز را در روز سوم با اطمینان انجام دهد. به طرز چشمگیر ، این تنها کمی بدتر از نمرات 0.85 و 0.83 برای الگوریتم های بدون محدودیت زیست شناسی پرواز-مغز است. برای مقایسه ، هنگامی که وظیفه آسانتر تطبیق "mugshot" پرواز به میدان 20 نفری دیگر فراهم شد ، زیست شناسان با تجربه پرواز انسان فقط نمره 0.08 را مدیریت کردند. شانس تصادفی 0.05 نمره می دهد.
الف) الگوریتم یادگیری ماشین عمیق شبکه عمیق مدرن ب) الگوریتم یادگیری ماشین مبتنی بر زیست شناسی پرواز ج) اتصالات در سیستم تصویری مگس میوه. اعتبار: اشنایدر و همکاران
به گفته جان اشنایدر ، اولین نویسنده مقاله که در هفته جاری در PLOS ONE منتشر می شود ، این مطالعه به "احتمال خستگی ناپذیر اشاره دارد که به جای اینکه فقط مقولات گسترده ای را بشناسد ، مگس های میوه ای می توانند افراد را از هم جدا کنند." در کنار دیگری ، "سلام باب ، هی آلیس" است.
گراهام تیلور ، متخصص یادگیری ماشین و CIFAR Azrieli Global Scholar در برنامه Learning in Machines and Brains ، با چشم انداز ضرب و شتم انسانها در یک کار تصویری هیجان زده شد. "بسیاری از برنامه های شبکه عصبی عمیق سعی در تکرار و خودکار سازی توانایی های انسانی مانند تشخیص چهره ، پردازش زبان طبیعی یا شناسایی آهنگ دارند. اما بندرت آنها از ظرفیت انسان فراتر نمی روند. بنابراین پیدا کردن مشکلی که الگوریتم ها بتوانند از انسان فراتر روند ، بسیار جالب است."
این آزمایشات در آزمایشگاه دانشگاه تورنتو Mississauga از جوئل لوین ، یک عضو ارشد در برنامه توسعه کودک و مغز CIFAR انجام شد. او امیدهای زیادی برای آینده تحقیقات مانند این دارد. "رویکرد جفت کردن مدل های یادگیری عمیق با سیستم های عصبی بسیار غنی است. این می تواند در مورد مدل ها ، در مورد چگونگی برقراری ارتباط نورون ها با یکدیگر ، به ما بگوید. و می تواند در مورد کل حیوانات به ما بگوید. قلمرو
اشنایدر خلاصه آنچه در آن است مانند کار بین رشته ها: "پروژه هایی از این دست عرصه ای مناسب برای متخصصان مغز و اعصاب و محققان یادگیری ماشین هستند تا با هم همکاری کنند تا از اصول اولیه چگونگی یادگیری هر سیستم - بیولوژیکی و غیره - اطلاعات را پردازش کنند."
http://gorillasocialwork.com/story5832922/پمپ-وکیوم-آبی
ربات های کوچک پرواز بارهای سنگین را در اختیار دارند