Hola,
Are you new here?

I have an account

¿Te ayudamos?

Ejemplos de búsqueda

Vídeos Explicativos

PGC2018-099506-B-I00

financed

Closed

UN ESTUDIO COMPUTACIONAL DE MECANISMOS DE CODIFICACION PREDICTIVA PARA LA PERCEP...

UN ESTUDIO COMPUTACIONAL DE MECANISMOS DE CODIFICACION PREDICTIVA PARA LA PERCEPCION VISUAL DEL MOVIMIENTO NUESTRO OBJETIVO ES DESARROLLAR TRES MODELOS COMPUTACIONALES DIFERENTES DE UNA NEURONA ESPECIFICA (LGMD) DEL SISTEMA VISUAL DE LA LANGOSTA, CADA MODELO SE BASARA EN UN MECANISMO COMPUTACIONAL Y BIOFISICO DIFERENTE, EL LGMD RESPOND... see more

01/01/2018

53K€

Project Budget: 53K€

Project leader

UNIVERSIDAD DE BARCELONA No se ha especificado una descripción o un objeto social para esta compañía.

total researchers 325

PARTICIPATION DEPralty Sin fecha límite de participación.

Financing granted El organismo AGENCIA ESTATAL DE INVESTIGACIN notifico la concesión del proyecto The day 2018-01-01 We do not have the information of the call

0% 100%

characteristics of the participant

Este proyecto no cuenta con búsquedas de partenariado abiertas en este momento.

Private Information

No hay información privada compartida para este proyecto. Habla con el coordinador.

Participantes

Leader

Conecta tu I+D

¿Tienes un proyecto y buscas un partner? Gracias a nuestro motor inteligente podemos recomendarte los mejores socios y ponerte en contacto con ellos. Te lo explicamos en este video

Project leader

UNIVERSIDAD DE BARCELONA No se ha especificado una descripción o un objeto social para esta compañía.

total researchers 325

Project Budget 53K€

participation deadline Sin fecha límite de participación.

Project description NUESTRO OBJETIVO ES DESARROLLAR TRES MODELOS COMPUTACIONALES DIFERENTES DE UNA NEURONA ESPECIFICA (LGMD) DEL SISTEMA VISUAL DE LA LANGOSTA, CADA MODELO SE BASARA EN UN MECANISMO COMPUTACIONAL Y BIOFISICO DIFERENTE, EL LGMD RESPONDE DE FORMA SELECTIVA A LOS OBJETOS QUE SE APROXIMAN CUANDO LA LANGOSTA ESTA QUIETA Y CUANDO VUELA, LAS CURVAS DE RESPUESTA TIENEN CARACTERISTICAS ESPECIFICAS (POR EJEMPLO, UN MAXIMO ANTES DE QUE EL OBJETO COLISIONE CON LA LANGOSTA), LA ENTRADA A NUESTROS MODELOS CONSISTE EN VIDEOS, Y LA SALIDA TIENE QUE REPRODUCIR TODAS LAS CARACTERISTICAS DE RESPUESTA DEL LGMD, COMPUTACIONALMENTE, LA DETECCION DE UN OBJETO EN COLISION ES RELATIVAMENTE FACIL CUANDO LA LANGOSTA (O CUALQUIER OTRO OBSERVADOR) NO SE MUEVE, AHORA, CUANDO EL OBSERVADOR SE MUEVE, LOS OBJETOS SE PERCIBEN COMO EMANANTES DEL FOCO DE EXPANSION EN LA IMAGEN VISUAL, Y LUEGO SE ACERCAN AL OBSERVADOR (MOVIMIENTO DE FONDO), UN OBJETO QUE SE APROXIMA EN UN CURSO DE COLISION DIRECTA DEBE DISTINGUIRSE DEL RESTO DE LOS OBJETOS QUE NO COLISIONARAN CON EL OBSERVADOR, COMPUTACIONALMENTE, ESTE ES UN PROBLEMA AUN NO RESUELTO, Y MUCHOS ENFOQUES ROBOTICOS PUBLICADOS QUE SE BASAN EN MODELOS DE LGMD FUNCIONAN SOLO BIEN EN AMBIENTES SIMPLES O INTERIORES, CON NUESTROS MODELOS, NUESTRO OBJETIVO ES SUPRIMIR EL MOVIMIENTO DE FONDO GENERADO POR CUALQUIER ENTORNO VISUAL, MIENTRAS MANTENERMOS LA SENSIBILIDAD PARA DETECTAR LOS COLISIONES, USAREMOS MECANISMOS DE CODIFICACION PREDICTIVA PARA ESTE FIN, CON RESPECTO AL SISTEMA VISUAL HUMANO, LA CODIFICACION PREDICTIVA (JERARQUICA) HA DESPERTADO CONSIDERABLE INTERES PORQUE PUEDE SERVIR COMO UN PRINCIPIO UNIFICADOR PARA EXPLICAR COMO EL SISTEMA VISUAL RECONOCE LOS OBJETOS, LOS CIRCUITOS NEURONALES PROPUESTOS PARA LA CORTEZA VISUAL SE BASAN EN LA INFERENCIA BAYESIANA, SIN EMBARGO, DEBIDO A LA VELOCIDAD Y LAS RESTRICCIONES ANATOMICAS, ESTOS CIRCUITOS NO SON ADECUADOS PARA LA LANGOSTA, CON NUESTROS TRES MODELOS, PROPONEMOS MECANISMOS EFICIENTES QUE SE BASAN EN NUEVOS MECANISMOS DE CODIFICACION PREDICTIVA, ESPERAMOS QUE NUESTROS MECANISMOS, A SU VEZ, TAMBIEN CONTRIBUYAN A UNA MEJOR COMPRENSION DEL SISTEMA VISUAL HUMANO Y BRINDEN ALTERNATIVAS POTENTES A LOS ENFOQUES BASADOS EN LA INFERENCIA PARA LA CODIFICACION PREDICTIVA, ESPECIFICAMENTE, PARA EL PRIMERO DE NUESTROS MODELOS, PROPONEMOS UNA REASIGNACION TOPOGRAFICA LOCALMENTE VARIANTE Y PARAMETRIZADA DE IMAGENES DE VIDEO PASADAS PARA PREDECIR EL ESTADO DEL FONDO EN EL FUTURO, EL MECANISMO CLAVE DEL SEGUNDO MODELO APRENDERA LAS ESTADISTICAS ESPACIO-TEMPORALES DEL CAMPO DE FLUJO OPTICO PARA PREDECIR LOS PATRONES FUTUROS DE FLUJO OPTICO, FINALMENTE, EL TERCER MODELO INTRODUCE UN NUEVO MECANISMO SOBRE COMO LAS DENDRITAS DE LAS NEURONAS INDIVIDUALES PUEDEN APRENDER PATRONES DE SPIKES PREVIAMENTE VISTOS, Y DISTINGUIRLOS DE LOS NUEVOS, SI BIEN MUCHOS ENFOQUES DE APRENDIZAJE BASADOS EN MECANISMOS HEBBIANOS SOSTIENEN QUE LAS NEURONAS SE DISPARAN EN CASO DEL RECONOCIMIENTO EXITOSO DEL PATRON, PROPONEMOS QUE LA LGMD DEJE DE DISPARAR EN ESE CASO, DE HECHO, CON NUESTRO MECANISMO, ACTIVIDAD NEURONAL INDICA PATRONES DESCONOCIDOS, Y EL DISPARO DESENCADENA EL APRENDIZAJE DE NUEVOS PATRONES O LA MODIFICACION DE PATRONES EXISTENTES, ESTO ES PRECISAMENTE LO QUE UNO ESPERARIA DE UNA NEURONA QUE PROCESE SU ENTRADA DE ACUERDO CON LA CODIFICACION PREDICTIVA, POR SUPUESTO, EL NUEVO MECANISMO NO SE LIMITA A LA NEURONA LGMD, Y TAMBIEN PUEDE SER RELEVANTE PARA PROCESAR INFORMACION EN OTROS SISTEMAS NERVIOSOS, PERCEPCIÓN DE MOVIMIENTO\FLUJO ÓPTICO\NEUROCIENCIAS COMPUTACIONALES\CODIFICACIÓN PREDICTIVA\SALTAMONTES\LGMD\DETECTAR COLISIONES

Conecta tu I+D

Entra hoy

Forgot your password?

Financing

Companies

CTIs/Universidades

Projects

researchers