Lueschow et al.(1994), Ito et al. (

Lueschow et al.
(1994), Ito et al. (1995).
The question is whether there are computational approaches which accommodate
the constraints listed above. Namely can efficient selection be achieved at a
range of scales, with a minimal number of false negatives and a small number of
false positives, using a small number of functional layers. Can the computation
be parallelized, making minimal assumptions regarding the information carried
by an individual neuron. Such computational approaches, if identified, may serve
as models for information processing beyond V1. They can provide a source of
hypotheses which can be experimentally tested.
The aim of this paper is to present such a model in the form of a neural network
architecture which is able to select candidate locations for any object representation
evoked in a memory model, the network does not need to be changed for
detecting different objects. The network has a sequence of layers similar to those
found in visual cortex. The operations of all units are simple integer counts. A
unit is either on or off and its status depends on the number of on units feeding
into it. Selection at a fixed resolution is invariant to a range of scales, and all
locations, as well as small linear and non-linear deformations.

ผลลัพธ์ (ไทย) 1:

Lueschow et al(1994), อิโตะเอ็ด al. (1995)คำถามคือ ว่า มีวิธีคำนวณที่เหมาะสมข้อจำกัดระบุไว้ข้างต้น คือ สามารถเลือกที่มีประสิทธิภาพได้ในตัวของเครื่องชั่งน้ำหนัก สิ่งเท็จจำนวนน้อยและขนาดเล็กจำนวนไม่ทำงานผิดพลาด ใช้หมายเลขขนาดเล็กของชั้นทำงาน สามารถคำนวณมี parallelized สมมติฐานเกี่ยวกับข้อมูลดำเนินการน้อยที่สุดโดยเซลล์ประสาทแต่ละตัว วิธีคำนวณเช่น ถ้าระบุ อาจช่วยให้เป็นรูปแบบสำหรับข้อมูลที่ประมวลผลนอกเหนือจาก V1 พวกเขาสามารถให้แหล่งที่มาของสมมุติฐานที่สามารถ experimentally ทดสอบจุดประสงค์ของเอกสารนี้จะนำเสนอรูปแบบดังกล่าวในรูปแบบของเครือข่ายประสาทสถาปัตยกรรมซึ่งสามารถเลือกตั้งผู้สมัครสำหรับการแสดงวัตถุevoked ในรูปแบบหน่วยความจำ เครือข่ายไม่ถูกต้องสำหรับตรวจจับวัตถุต่าง ๆ เครือข่ายมีลำดับชั้นคล้ายกับพบในภาพคอร์เทกซ์ การดำเนินงานของหน่วยทั้งหมดจะนับจำนวนเต็มเรื่อง Aหน่วยคือบน หรือปิด และสถานะขึ้นอยู่กับจำนวนในหน่วยอาหารลงไป เลือกที่ความละเอียดคงอยู่ไม่เปลี่ยนแปลงช่วงของเครื่องชั่งน้ำหนัก และทั้งหมดสถาน ตลอดจน deformations เชิงเส้น และไม่เชิงเส้นเล็ก

ผลลัพธ์ (ไทย) 2:

Lueschow et al.
(1994), et al, อิโตะ (1995).
คำถามคือว่ามีวิธีการคำนวณที่รองรับข้อ จำกัด ดังกล่าวข้างต้น คือเลือกที่มีประสิทธิภาพสามารถทำได้ในช่วงของเครื่องชั่งที่มีจำนวนน้อยที่สุดของเชิงลบเท็จและขนาดเล็กจำนวนบวกเท็จโดยใช้จำนวนน้อยของชั้นการทำงาน การคำนวณสามารถจะ parallelized ทำให้สมมติฐานที่น้อยที่สุดเกี่ยวกับข้อมูลดำเนินการโดยเซลล์ประสาทของแต่ละบุคคล วิธีการคำนวณดังกล่าวถ้าระบุอาจใช้เป็นแบบจำลองสำหรับการประมวลผลข้อมูลเกิน V1 พวกเขาสามารถให้แหล่งที่มาของสมมติฐานที่สามารถทดสอบได้ทดลอง. จุดมุ่งหมายของบทความนี้จะนำเสนอรูปแบบดังกล่าวในรูปแบบของเครือข่ายประสาทสถาปัตยกรรมที่สามารถเลือกสถานที่ผู้สมัครสำหรับการแสดงวัตถุใด ๆ ที่ปรากฏในรูปแบบหน่วยความจำที่ เครือข่ายไม่จำเป็นต้องมีการเปลี่ยนแปลงสำหรับการตรวจจับวัตถุที่แตกต่างกัน เครือข่ายที่มีลำดับชั้นคล้ายกับเหล่านั้นที่พบในเยื่อหุ้มสมองภาพ การปฏิบัติงานของทุกหน่วยงานที่มีการนับจำนวนเต็มง่าย หน่วยหรือปิดและสถานะของขึ้นอยู่กับจำนวนของหน่วยการให้อาหารลงไป เลือกที่ความละเอียดคงที่คงที่ในช่วงของเครื่องชั่งน้ำหนักและทุกสถานที่เช่นเดียวกับการเชิงเส้นขนาดเล็กและรูปร่างที่ไม่ใช่เชิงเส้น

ผลลัพธ์ (ไทย) 3:

lueschow et al .
( 1994 ) , Ito et al . ( 2538 ) .
คำถามคือว่ามีวิธีการคำนวณที่รองรับ
ข้อจำกัดที่กล่าวข้างต้น คือสามารถเลือกที่มีประสิทธิภาพสามารถบรรลุที่
ช่วงของเครื่องชั่งที่มีจำนวนน้อยที่สุดของเชิงลบเท็จและจำนวนน้อยของ
บวกเท็จ , การใช้จำนวนน้อยของชั้นทำงาน สามารถคำนวณได้ parallelized
,ตั้งสมมติฐานที่น้อยที่สุดเกี่ยวกับข้อมูลแบก
โดยเซลล์ประสาทแต่ละ เช่น วิธีการคำนวณ ถ้าระบุ อาจใช้เป็นรูปแบบสำหรับการประมวลผลข้อมูลนอกเหนือจาก
V1 . พวกเขาสามารถให้แหล่งที่มาของ
สมมติฐานซึ่งสามารถทดลองทดสอบ
วัตถุประสงค์ของบทความนี้คือปัจจุบัน เป็นรูปแบบในรูปแบบของ
โครงข่ายประสาทเทียมสถาปัตยกรรมซึ่งสามารถที่จะเลือกผู้สมัครสถานที่สำหรับวัตถุใด ๆที่เป็นตัวแทน
evoked ในความทรงจำแบบ เครือข่ายไม่ต้องเปลี่ยนเป็น
การตรวจจับวัตถุที่แตกต่างกัน เครือข่ายมีลำดับของเลเยอร์ คล้ายกับที่พบใน Visual Cortex
. การดำเนินงานของทุกหน่วยนับเลขอย่างง่าย
เป็นหน่วยเป็นอย่างใดอย่างหนึ่งหรือปิดและสถานะขึ้นอยู่กับจำนวนในหน่วยเลี้ยง
เข้าไป เลือกที่ความละเอียดคงเป็นค่าคงที่ไปยังช่วงของเครื่องชั่งและ
สถานที่ ตลอดจนเส้นเล็กเส้นและรูปร่าง .