CN110855859B - 人工光量子视网膜及构建方法 - Google Patents

人工光量子视网膜及构建方法 Download PDF

Info

Publication number
CN110855859B
CN110855859B CN201910981281.6A CN201910981281A CN110855859B CN 110855859 B CN110855859 B CN 110855859B CN 201910981281 A CN201910981281 A CN 201910981281A CN 110855859 B CN110855859 B CN 110855859B
Authority
CN
China
Prior art keywords
cell
cells
ganglion
bipolar
optical fibers
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201910981281.6A
Other languages
English (en)
Other versions
CN110855859A (zh
Inventor
戴甲培
党焕楠
谭双琼
王卓
肖芳艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South Central Minzu University
Original Assignee
South Central University for Nationalities
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South Central University for Nationalities filed Critical South Central University for Nationalities
Priority to CN201910981281.6A priority Critical patent/CN110855859B/zh
Publication of CN110855859A publication Critical patent/CN110855859A/zh
Application granted granted Critical
Publication of CN110855859B publication Critical patent/CN110855859B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • HELECTRICITY
    • H04ELECTRIC COMMUNICATION TECHNIQUE
    • H04NPICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N23/00Cameras or camera modules comprising electronic image sensors; Control thereof
    • H04N23/50Constructional details
    • H04N23/55Optical parts specially adapted for electronic image sensors; Mounting thereof

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Photometry And Measurement Of Optical Pulse Characteristics (AREA)

Abstract

本发明涉及一种人工光量子视网膜及构建方法,人工光量子视网膜由摄像镜头、若干感光细胞、若干双极细胞、若干凸透镜、若干神经节细胞、光数字转换器,将若干感光细胞、若干双极细胞、若干凸透镜、若干神经节细胞都均分为N组,N个感光细胞组作为视网膜的视野,摄像镜头分别与集合的感光细胞组相连,通过摄像镜头输入光信号,每个感光细胞组对应一个双极细胞组,每个双极细胞组对应一组凸透镜和一个神经节细胞组,每个双极细胞组光信号经一组凸透镜导入一个神经节细胞组,所有神经节细胞组光信号导入光数字转换器,通过光数字转换器输出。本发明使用光纤来构建人工光量子视网膜,达到模拟动物和人视网膜信息传递、处理和图像识别过程。

Description

人工光量子视网膜及构建方法
技术领域
本发明涉及一种利用模拟动物或人眼光信息传递的生物光子传递来构建的人工光量子视网膜及构建方法。本发明构建的人工光量子视网膜应用于机器视觉或人工智能领域。
背景技术
视网膜是视觉信息采集、加工和处理的第一站,它具有明显的层次结构和清楚的从感光细胞、双极细胞到神经节细胞的双层次水平突触连接信息传递通路。传统的理论认为,视网膜的信息传递是通过感光细胞对外界光的反应转换为生物电信号来实现的,然后通过结合生物电传递和化学突触传递的交替转换形成视网膜生物电(动作电位)整合信息,最后通过视网膜节细胞汇聚的中枢投射纤维--视神经将信息传递到高级视觉中枢。最近的研究发现表明,生物光子可能在视网膜的信息传递上扮演重要的角色,涉及到“光量子脑”机制,提示光子可以作为视网膜回路信息传递信号。通过制备牛蛙的离体视网膜--巩膜--视神经标本,采用超弱生物光子成像系统对标本的视神经处进行实时成像并使用不同强度和频率的白光对视网膜进行刺激,使用图像分析软件对图像信息进行提取和分析,实验结果发现不同强度和频率的白光刺激有活性的离体牛蛙视网膜导致视神经残端区域生物光子明显辐射,而失活的视网膜视神经区域没有发生改变,提示光刺激牛蛙视网膜导致了生物光子信号在视网膜神经通路上传递并最终到达了视神经,实现了生物光子信息在视网膜神经回路上传递。基于我们的发现和视网膜的感光细胞--双极细胞--神经节细胞的双层次水平突触连接通路结构特征,使用塑料光纤,我们构建了“人工光量子视网膜”模型。通过分析“理论视网膜”模拟“感知”和“人工光量子视网膜”的直接“感知”数字0-9的手写图像集,我们初步建立“理论视网膜”模拟“感知”数字0-9的手写图像的算法并通过“人工光量子视网膜”预测“识别”数字0-9的手写图像,因此,在本技术的基础上可以建立一个全新的“人工智能(AI)视觉系统”,广泛应用于机器视觉和人工智能领域。
发明内容
本发明的目的是提供一种新的人工光量子视网膜及构建方法,使用光纤来构建人工光量子视网膜,达到模拟动物和人视网膜信息传递、处理和图像识别过程。
本发明的技术方案为:
人工光量子视网膜,由一个摄像镜头、若干感光细胞、若干双极细胞、若干凸透镜、若干神经节细胞、一个光数字转换器,将若干感光细胞、若干双极细胞、若干凸透镜、若干神经节细胞都均分为N组,N为大于2的自然数,N个感光细胞组作为视网膜的视野,其特征在于:摄像镜头分别与集合的感光细胞组相连,通过摄像镜头输入光信号,每个感光细胞组对应一个双极细胞组,每个双极细胞组对应一组凸透镜和一个神经节细胞组,每个双极细胞组光信号经一组凸透镜导入一个神经节细胞组,所有神经节细胞组光信号导入光数字转换器,通过光数字转换器输出。所述的感光细胞、双极细胞、神经节细胞均由光纤构建而成。
所述的若干感光细胞分为9个感光细胞组由81根光纤构建而成,每组有9根光纤,81根光纤作为视网膜的81个感光细胞,每组光纤代表视网膜的一个视野,共九个视野,依次为1,2…9,其构成的视网膜视野矩阵图如图1所示。
所述的若干双极细胞分为9个双极细胞组,每组有9个双极细胞,每个双极细胞由81根感光细胞端光纤和81根神经节细胞端光纤集成,每根感光细胞端光纤和一神经节细胞端光纤通过光纤对接物理固定相连,每组双极细胞对应于一个视野,因此每组的感光细胞端和节细胞端分别有729根光纤,每根光纤代表一个突触,729个感光细胞端为第一层次连接突触,与对应的感光细胞形成非接触性光耦合连接,729个神经节细胞端为第二层次连接突触,与神经节细胞汇集形成对接;因此,一个感光细胞与一个双极细胞的感光细胞端第一次的81个突触形成对接也就是1根光纤与81根光纤形成对接,而一个神经节细胞同样与双极细胞第二层次的81个突触形成对接。
所述的若干神经节细胞分为9个神经节细胞组,每组有9个神经节细胞,共有81个神经节细胞,每个神经节细胞用1根光纤构建,用81根光纤构建神经节细胞,81根光纤也分为9束,每束9根光纤,代表9个神经节细胞组,与感光细胞9个视野形成一一对应关系,作为光信息输出矩阵。
一种人工光量子视网膜的构建方法,其特征在于按以下步骤进行:
步骤一、用光纤构建若干感光细胞、若干双极细胞、若干神经节细胞;
步骤二、将构建的若干感光细胞、若干双极细胞、若干神经节细胞均分为N组,N为大于2的自然数,N个感光细胞组作为视网膜的视野;
步骤三、并将所有感光细胞组集合后与摄像镜头相连,通过摄像镜头为感光细胞输入光信号,每个感光细胞组与对应一个双极细胞组相连,每个双极细胞组对应一组凸透镜和一个神经节细胞组,每个双极细胞组光信号经一组凸透镜导入一个神经节细胞组,所有神经节细胞组光信号导入光数字转换器,通过光数字转换器输出。
人工光量子视网膜的构建方法,其特征在于具体按以下步骤进行:
步骤一、用光纤构建9个感光细胞组、9个双极细胞组、9个神经节细胞组;每个感光细胞组有9个感光细胞,每个感光细胞用1根光纤来构建,81根光纤作为视网膜的81个感光细胞,每组光纤代表视网膜的一个视野,共九个视野;每个双极细胞组有9个双极细胞,每个双极细胞由81根感光细胞端光纤和81根神经节细胞端光纤集成,每根感光细胞端光纤和一神经节细胞端光纤通过光纤对接物理固定相连,每组双极细胞对应于一个视野;每个神经节细胞组有9个神经节细胞,每个神经节细胞用1根光纤构建,用81根光纤构建9个神经节细胞组,81根光纤分为9束,每束9根光纤,与感光细胞9个视野形成一一对应关系,作为光信息输出矩阵;
步骤二、并将构建视网膜81个感光细胞的81根光纤集合后与摄像镜头相连,通过摄像镜头为81个感光细胞输入光信号,9个感光细胞组分别与对应的9个双极细胞组相连,也就是1根感光细胞的光纤与对应的一个双极细胞的81根光纤相连,每个双极细胞的81根光纤辐射出的光线通过对应的一凸透镜聚光后形成一小光斑,照射到对应的一个神经节细胞的光纤中,所有神经节细胞光信号导入光数字转换器,通过光数字转换器输出。
所述人工光量子视网膜能实现光信息传输。
所述人工光量子视网膜在光传输过程中遵循随机或光量子化的过程。
所述人工光量子视网膜具有光信息输入端和输出端,输入端负责光信息感知,而输出端担负光信息的检测和处理。
所述人工光量子视网膜在人工智能(AI)视觉系统上的应用。
附图说明
图1为本发明的实施例示意图。
具体实施方式
结合附图对本发明作如下描述。
如图1所示,人工光量子视网膜由一个摄像镜头、81个感光细胞、81个双极细胞、81个凸透镜、81个神经节细胞、一个光数字转换器,将81个感光细胞、81个双极细胞、81个凸透镜、81个神经节细胞都均分为9组,每组凸透镜组里有9个凸透镜,9组感光细胞组作为视网膜的视野,摄像镜头分别与每个的感光细胞组相连,通过摄像镜头输入光信号,每个感光细胞组对应一个双极细胞组,每个双极细胞组对应一组凸透镜和一个神经节细胞组,每个双极细胞组光信号经一组凸透镜导入一个神经节细胞组,所有神经节细胞组光信号导入光数字转换器,通过光数字转换器输出光信号。所述的感光细胞、双极细胞、神经节细胞均由光纤构建而成。
人工光量子视网膜的构建方法具体如下:
准备6561根50cm长的光纤,分成81根一束,用自锁式尼龙扎带扎好备用。首先将81根光纤组成的光纤束一段齐平,然后靠平齐端1/3处用胶水固定,避免光纤的移动。固定好的81根光纤再分成每9根一小束,用绝缘黑胶带固定备用。将整理好的光纤束的平齐端穿入一钢套管中并使平齐端露出约2cm,用黑色胶带将平齐端固定,再用热熔胶枪在黑色胶带上涂一层热熔胶,然后快速将平齐端露出的光纤部分拉回钢管内,确保光纤的平齐端与钢管口齐平。最后用螺丝将钢管的一侧固定在大小为50cm×40cm PVR透明板上的81个孔上,其中81个孔按9×9矩阵的方式排列,即分成9个区,每个区含9束光纤,按3×3矩阵的方式排列。这样就制成了“人工光量子视网膜”的双极细胞层的输入端。
双极细胞层输入端和输出端分区和随机连接。另外准备一个完全一样的PVC透明板,上面预固定81个空钢管,排列方式与制备好的一样,然后用螺帽将两块板垂直平行固定在6根螺纹钢杆上,根据需要可调节两块板的距离。将每一个区9个钢管中的每一小束(含9根光纤)随机分配到另一块板对应区的9个钢管中。用上面提到的方法将每个钢管中9小束光纤固定并修剪好,这样就制成了双极细胞层输出端。
感光细胞层的构建以及与双极细胞层的对接。在双极细胞层的输入板前平行固定一个大小一样的PVR透明板。准备81个与双极细胞层的输入端钢管配套的螺纹帽,将一根50cm长的光纤一端用热熔胶枪将其固定在螺纹帽的中间小孔上,确保光纤的一端位于螺纹冒内的中间位置,用一个螺纹管将螺纹帽和双极细胞层输入端的钢管螺纹口连接。
在双极细胞层的输出端也平行固定另一个PVC透明板上,同样准备81个螺纹帽,每个固定一根光纤,不同的是,需要用一个中间安装了一个半圆塑料凸透镜的螺纹管将螺纹帽和双极细胞层输入端的圆形钢管螺纹口连接,这一装置的设计能确保双极细胞层中每个双极细胞光信号经一个凸透镜导入一个神经节细胞,每个双极细胞的输出端81根光纤辐射出的光线通过一凸透镜,聚光后形成一小光斑,照射到螺纹帽中与一个神经节细胞的单光纤中。
把后面神经节细胞的81根光纤分成每九根一束的光纤并固定,每九根一束的光纤对应相应的区域。
感受视野:81个感光细胞分为9组由81根光纤构建而成,每组有9根光纤,81根光纤作为视网膜的81个感光细胞,每组光纤代表视网膜的一个视野,共九个视野,依次为1,2…9,其构成的视网膜视野矩阵图如图1所示。摄像镜头通过一个镜头支架固定,确保成像聚焦在感受视野上。
双极细胞层:81双极细胞分为9组,每组有9个双极细胞,每个双极细胞由81根感光细胞端光纤和81根神经节细胞端光纤集成,每根感光细胞端光纤和一神经节细胞端光纤通过光纤对接物理固定相连,每组双极细胞对应于一个视野,因此每组的感光细胞端和节细胞端分别有729根光纤,每根光纤代表一个突触,729个感光细胞端为第一层次连接突触,与对应的感光细胞形成非接触性光耦合连接,729个神经节细胞端为第二层次连接突触,与神经节细胞汇集形成对接;因此,一个感光细胞与一个双极细胞的感光细胞端第一次的81个突触形成对接也就是1根光纤与81根光纤形成对接,而一个神经节细胞同样与双极细胞第二层次的81个突触通过一个凸透镜形成对接。
节细胞层:81神经节细胞分为9组,每组有9个神经节细胞,共有81个神经节细胞,每个神经节细胞用1根光纤构建,用81根光纤构建神经节细胞组,81根光纤也分为9束,每束9根光纤,代表9个神经节细胞组,与感光细胞9个视野形成一一对应关系,作为光信息输出矩阵。
网络随机连接:从视网膜的感光细胞、双极细胞和神经节细胞的对接关系可以看出,感光细胞通过随机发散的方式与双极细胞对接,而双极细胞通过随机汇集的方式与神经节细胞进行对接。此外,对应一个视野的9个双极细胞在输入端和输出端也遵从随机的原则,即每个双极细胞的输入端的81根光纤会随机分为9组与另外8个双极细胞随机分成的9组随机集合成9个光纤束,作为9个双极细胞组成的一个视野输出,如图1所示。
光信息输入:将代表81个双极细胞的光纤分成9组,再将其9组集成一个光纤束,其中每组的光纤束有一个代表区,作为视网膜的视野,通过一个镜头将外界图像聚焦为一个圆形影像,照在这人工光量子视网膜感光视网膜上,作为图像输入光信号。
光信息输出检测:使用光-数字转换器对代表每一个视野由9根光纤集成输出的光强度进行检测。
人工光量子视网膜的“感知”:在光感细胞的81根光纤前连接一个摄像镜头,用于成像。使用电脑屏幕来呈现一定大小的手写0-9数字图片集作为测试图像,调整镜头焦距确保镜头成像刚好在人工光量子视网膜的视野内。
人工光量子视网膜的“感知”输出检测:使用光数字转换器对人工光量子视网膜“感知”的9个输出进行检测,输出结果为数字光强度并传送到电脑存储和处理。
光信号分析、算法和建模:整合为9个输出(每个含9根光纤)。每个输出得一个光强度编码,按强度转换为9个强度梯度,用自然数1-9表示,1代表最弱光强度,9代表最强。通过对编码进行分析,建立预测算法,模拟视觉初级感知工作原理,达到对图像等感知信息进行快速识别。
以上所述,仅是用以说明本发明的具体实施案例而已,并非用以限定本发明的可实施范围,举凡本领域熟练技术人员在未脱离本发明所指示的精神与原理下所完成的一切等效改进、升级和拓展等改变或修饰,例如光量子芯片制备,仍应由本发明权利要求的范围所覆盖。因此,本发现是一种需要保护的共性技术。

Claims (6)

1.人工光量子视网膜,由一个摄像镜头、若干感光细胞、若干双极细胞、若干凸透镜、若干神经节细胞、一个光数字转换器组成,将若干感光细胞、若干双极细胞、若干凸透镜、若干神经节细胞都均分为N组,N为大于2的自然数,N个感光细胞组作为视网膜的视野,其特征在于:摄像镜头分别与集合的感光细胞组相连,通过摄像镜头输入光信号,每个感光细胞组对应一个双极细胞组,每个双极细胞组对应一组凸透镜和一个神经节细胞组,每个双极细胞组光信号经一组凸透镜导入一个神经节细胞组,所有神经节细胞组光信号导入光数字转换器,通过光数字转换器输出;所述的感光细胞、双极细胞、神经节细胞均由光纤构建而成。
2.根据权利要求1所述的人工光量子视网膜,其特征在于:所述的若干感光细胞分为9个感光细胞组由81根光纤构建而成,每组有9根光纤,81根光纤作为视网膜的81个感光细胞,每组光纤代表视网膜的一个视野,共九个视野。
3.根据权利要求1所述的人工光量子视网膜,其特征在于:所述的若干双极细胞分为9个双极细胞组,每组有9个双极细胞,每个双极细胞由81根感光细胞端光纤和81根神经节细胞端光纤集成,每根感光细胞端光纤和一神经节细胞端光纤通过光纤对接物理固定相连,每组双极细胞对应于一个视野。
4.根据权利要求1所述的人工光量子视网膜,其特征在于:所述的若干神经节细胞分为9个神经节细胞组,每组有9个神经节细胞,共有81个神经节细胞,每个神经节细胞用1根光纤构建,用81根光纤构建神经节细胞,81根光纤也分为9束,每束9根光纤,代表9个神经节细胞组,与感光细胞9个视野形成一一对应关系,作为光信息输出矩阵。
5.根据权利要求1-4之一所述的人工光量子视网膜的构建方法,其特征在于按以下步骤进行:
步骤一、用光纤构建若干感光细胞、若干双极细胞、若干神经节细胞;
步骤二、将构建的若干感光细胞、若干双极细胞、若干神经节细胞均分为N组,N为大于2的自然数,N个感光细胞组作为视网膜的视野;
步骤三、将所有感光细胞组集合后与摄像镜头相连,通过摄像镜头为感光细胞输入光信号,每个感光细胞组与对应的一个双极细胞组相连,每个双极细胞组对应一组凸透镜和一个神经节细胞组,每个双极细胞组光信号经一组凸透镜导入一个神经节细胞组,所有神经节细胞组光信号导入光数字转换器,通过光数字转换器输出。
6.根据权利要求5所述的人工光量子视网膜的构建方法,其特征在于具体按以下步骤进行:
步骤A、用光纤构建9个感光细胞组、9个双极细胞组、9个神经节细胞组;每个感光细胞组有9个感光细胞,每个感光细胞用1根光纤来构建,81根光纤作为视网膜的81个感光细胞,每组光纤代表视网膜的一个视野,共九个视野;每个双极细胞组有9个双极细胞,每个双极细胞由81根感光细胞端光纤和81根神经节细胞端光纤集成,每根感光细胞端光纤和一神经节细胞端光纤通过光纤对接物理固定相连,每组双极细胞对应于一个视野;每个神经节细胞组有9个神经节细胞,每个神经节细胞用1根光纤构建,用81根光纤构建9个神经节细胞组,81根光纤分为9束,每束9根光纤,与感光细胞9个视野形成一一对应关系,作为光信息输出矩阵;
步骤B、将构建视网膜81个感光细胞的81根光纤集合后与摄像镜头相连,通过摄像镜头为81个感光细胞输入光信号,9个感光细胞组分别与对应的9个双极细胞组相连,也就是1根感光细胞的光纤与对应的一个双极细胞的81根光纤相连,每个双极细胞的81根光纤辐射出的光线通过对应的一凸透镜聚光后形成一小光斑,照射到对应的一个神经节细胞的光纤中,所有神经节细胞光信号导入光数字转换器,通过光数字转换器输出。
CN201910981281.6A 2019-10-16 2019-10-16 人工光量子视网膜及构建方法 Active CN110855859B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910981281.6A CN110855859B (zh) 2019-10-16 2019-10-16 人工光量子视网膜及构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910981281.6A CN110855859B (zh) 2019-10-16 2019-10-16 人工光量子视网膜及构建方法

Publications (2)

Publication Number Publication Date
CN110855859A CN110855859A (zh) 2020-02-28
CN110855859B true CN110855859B (zh) 2021-04-13

Family

ID=69596439

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910981281.6A Active CN110855859B (zh) 2019-10-16 2019-10-16 人工光量子视网膜及构建方法

Country Status (1)

Country Link
CN (1) CN110855859B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007512866A (ja) * 2003-11-13 2007-05-24 ザ・ボード・オブ・トラスティーズ・オブ・ザ・レランド・スタンフォード・ジュニア・ユニバーシティ 人工シナプスチップ
CN106485320A (zh) * 2016-10-17 2017-03-08 北京大学 一种视网膜神经网络的搭建方法及装置
CN109508786A (zh) * 2018-09-29 2019-03-22 南京邮电大学 一种学习、记忆和判决识别的光子类脑器件及其制备方法
WO2019186548A1 (en) * 2018-03-27 2019-10-03 Bar Ilan University Optical neural network unit and optical neural network configuration

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007512866A (ja) * 2003-11-13 2007-05-24 ザ・ボード・オブ・トラスティーズ・オブ・ザ・レランド・スタンフォード・ジュニア・ユニバーシティ 人工シナプスチップ
CN106485320A (zh) * 2016-10-17 2017-03-08 北京大学 一种视网膜神经网络的搭建方法及装置
WO2019186548A1 (en) * 2018-03-27 2019-10-03 Bar Ilan University Optical neural network unit and optical neural network configuration
CN109508786A (zh) * 2018-09-29 2019-03-22 南京邮电大学 一种学习、记忆和判决识别的光子类脑器件及其制备方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Development and preliminary data of novel integrated optical micro-force sensing tools for retinal microsurgery;Zhenglong Sun et al.;《2009 IEEE International Conference on Robotics and Automation》;20090706;全文 *

Also Published As

Publication number Publication date
CN110855859A (zh) 2020-02-28

Similar Documents

Publication Publication Date Title
Yuste et al. Toward a global BRAIN initiative
Agrawal et al. C-vqa: A compositional split of the visual question answering (vqa) v1. 0 dataset
CN106982359B (zh) 一种双目视频监控方法、系统和计算机可读存储介质
Eberhardt et al. How deep is the feature analysis underlying rapid visual categorization?
CN106407990A (zh) 基于事件驱动的仿生目标识别系统
JPH05503597A (ja) 再入機能を有するニューロングループ選択を使用したカテゴリー分類オートマトン
CN110969634B (zh) 基于生成对抗网络的红外图像电力设备分割方法
CN110490242A (zh) 图像分类网络的训练方法、眼底图像分类方法及相关设备
RU2008102837A (ru) Интегральное устройство и способ восприятия образов
CN108830216A (zh) 一种视场可调的连续变焦目标识别系统及方法
CN108596871A (zh) 一种基于深度学习的bga气泡缺陷图像检测方法
CN110855859B (zh) 人工光量子视网膜及构建方法
CN106725341A (zh) 一种增强型舌诊系统
US9412051B1 (en) Neuromorphic image processing exhibiting thalamus-like properties
Li et al. The mechanism of orientation detection based on local orientation-selective neuron
Li et al. Lijie at ImageCLEFmed VQA-Med 2021: Attention Model-based Efficient Interaction between Multimodality.
Bird et al. Muon hunter: a zooniverse project
CN114548239A (zh) 一种基于类哺乳动物视网膜结构人工神经网络的图像识别与分类方法
Rodríguez‐Gironés et al. toBeeView: a program for simulating the retinal image of visual scenes on nonhuman eyes
Kowshik et al. Classification of dress codes using convolution neural networks
Mei et al. A Method Based on Knowledge Distillation for Fish School Stress State Recognition in Intensive Aquaculture.
CN102353453A (zh) 一种光纤束流场重建方法
Kartsaki How specific classes of retinal cells contribute to vision: a computational model
Zhaoping Artificial and natural intelligence: from invention to discovery
Bajaj et al. Understanding knowledge gaps in visual question answering: Implications for gap identification and testing

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant