洛桑联邦理工学院的研究人员开发了一种机器学习方法，可以比免学习计算方法更准确地压缩图像数据，并可应用于视网膜植入物和其他感觉假体。
开发更好的神经假体的一个主要挑战是感觉编码：将传感器从环境中捕获的信息转换为神经系统可以解释的神经信号。但由于假体中的电极数量有限，因此必须以某种方式减少这种环境输入，同时仍然保持传输到大脑的数据的质量。
Demetri Psaltis(光学实验室)和 Christophe Moser(应用光子器件实验室)与 Hôpital ophtalmique Jules-Gonin 基金会 Asile des Aveugles(前 EPFL 神经工程美敦力主席)的 Diego Ghezzi 合作，将机器学习应用于压缩问题具有多个维度的图像数据，例如颜色、对比度等。在他们的例子中，压缩目标是下采样，或减少通过视网膜假体传输的图像的像素数量。
“视网膜植入物的下采样目前是通过像素平均来完成的，这本质上是图形软件在想要减小文件大小时所做的事情。但归根结底，这是一个数学过程;不涉及学习，”Ghezzi解释说。
“我们发现，如果我们应用基于学习的方法，我们在优化感觉编码方面会得到更好的结果。但更令人惊讶的是，当我们使用不受约束的神经网络时，它学会了自己模仿视网膜处理的各个方面。”
具体来说，研究人员的机器学习方法(称为演员模型框架)特别擅长找到图像对比度的“最佳点”。Ghezzi 以 Photoshop 为例。“如果你将对比度滑块在一个或另一个方向上移动得太远，图像就会变得更难看清。我们的网络进化了过滤器来再现视网膜处理的一些特征。”
标签：
免责声明：本文由用户上传，与本网站立场无关。财经信息仅供读者参考，并不构成投资建议。投资者据此操作，风险自担。 如有侵权请联系删除！