"Personaalne uurimistoetus" projekt PUT1476
PUT1476 "Bioloogiliste ja tehislike nägemistaju mudelite ühendamine (1.01.2017−31.12.2019)", Raul Vicente Zafra, Tartu Ülikool, Loodus- ja täppisteaduste valdkond, arvutiteaduse instituut.
PUT1476
Bioloogiliste ja tehislike nägemistaju mudelite ühendamine
Bridging biological and artificial models of vision
1.01.2017
31.12.2019
Teadus- ja arendusprojekt
Personaalne uurimistoetus
Otsinguprojekt
ValdkondAlamvaldkondCERCS erialaFrascati Manual’i erialaProtsent
4. Loodusteadused ja tehnika4.6. ArvutiteadusedP176 Tehisintellekt 1.1. Matemaatika ja arvutiteadus (matemaatika ja teised sellega seotud teadused: arvutiteadus ja sellega seotud teadused (ainult tarkvaraarendus, riistvara arendus kuulub tehnikavaldkonda)50,0
4. Loodusteadused ja tehnika4.6. ArvutiteadusedP170 Arvutiteadus, arvutusmeetodid, süsteemid, juhtimine (automaatjuhtimisteooria)1.1. Matemaatika ja arvutiteadus (matemaatika ja teised sellega seotud teadused: arvutiteadus ja sellega seotud teadused (ainult tarkvaraarendus, riistvara arendus kuulub tehnikavaldkonda)50,0
PerioodSumma
01.01.2017−31.12.201763 600,00 EUR
01.01.2018−31.12.201863 600,00 EUR
01.01.2019−31.12.201963 600,00 EUR
190 800,00 EUR

Sügavõppe laialdane kasutuselevõtt on viinud oluliste edusammudeni masinnägemises. Samas on inimese nägemisvõime jätkuvalt tehislikest algoritmidest märgatavalt paindlikum. Samuti on siiani ebaselge, kuidas inimnägemine ja sügavad tehisnärvivõrgud üksteisega suhestuvad. Käesoleva projekti eesmärgiks on vähendada masinnägemise ja inimnägemise erinevusi, kandes nende valdkondade vahel üle teadmisi ja arvutuslikke lähenemisi. Selleks kasutame unikaalseid intrakraniaalseid andmeid, võrdlemaks bioloogilist visuaalset töötlust arvutuslike nägemissüsteemidega. Projekti eesmärkideks on tuvastada, kus ja kuidas toimuvad ajus visuaalse signaalitöötluse erinevad etapid, võrrelda masinnägemise õpialgoritme aju õppimisreeglitega, ning uurida, kuidas varasemad kogemused parendavad nägemistaju inimajus ja tehisnärvivõrkudes. Nende küsimuste lahendamine on oluline mõistmaks nägemistaju tööprintsiipe ajus ning võimaldab arendada inimesele sarnaseid nägemisalgoritme.
Fueled by developments in deep learning computer vision has recently achieved spectacular improvements. At the same time human vision still holds important lessons for computer systems to achieve generalization and robustness. Despite their successes it is unknown how human and artificial neural networks for vision relate to each other. The target of this project is to narrow this gap by transferring knowledge and computational strategies between biological and artificial systems of vision. To that end, we will capitalize on unique properties of intracranial brain recordings to compare biological and deep learning systems for vision. In particular, we will determine the neural correlates of hierarchical visual processing, compare neural plasticity rules with optimization algorithms, and explore how prior knowledge can enhance natural and artificial vision. Resolving these issues is important to understand how vision occurs in the brain and to produce human-like vision algorithms.