• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

Commentary: Using goal-driven deep learning models to understand sensory cortex.

作者信息

Dong Qiulei, Wang Hong, Hu Zhanyi

机构信息

National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing, China.

University of Chinese Academy of Sciences, Beijing, China.

出版信息

Front Comput Neurosci. 2018 Jan 19;12:4. doi: 10.3389/fncom.2018.00004. eCollection 2018.

DOI:10.3389/fncom.2018.00004
PMID:29403369
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC5780340/
Abstract
摘要

相似文献

1
Commentary: Using goal-driven deep learning models to understand sensory cortex.评论：使用目标驱动的深度学习模型来理解感觉皮层。
Front Comput Neurosci. 2018 Jan 19;12:4. doi: 10.3389/fncom.2018.00004. eCollection 2018.
2
Using goal-driven deep learning models to understand sensory cortex.利用目标驱动的深度学习模型理解感觉皮层。
Nat Neurosci. 2016 Mar;19(3):356-65. doi: 10.1038/nn.4244.
3
Hierarchical Recurrent Neural Hashing for Image Retrieval With Hierarchical Convolutional Features.基于层次卷积特征的层次递归神经网络哈希图像检索
IEEE Trans Image Process. 2018;27(1):106-120. doi: 10.1109/TIP.2017.2755766.
4
Tree-CNN: A hierarchical Deep Convolutional Neural Network for incremental learning.树卷积神经网络：一种用于增量学习的层次化深度卷积神经网络。
Neural Netw. 2020 Jan;121:148-160. doi: 10.1016/j.neunet.2019.09.010. Epub 2019 Sep 19.
5
A multimodal convolutional neuro-fuzzy network for emotion understanding of movie clips.用于电影片段情绪理解的多模态卷积神经模糊网络。
Neural Netw. 2019 Oct;118:208-219. doi: 10.1016/j.neunet.2019.06.010. Epub 2019 Jul 2.
6
Modeling Task fMRI Data Via Deep Convolutional Autoencoder.基于深度卷积自动编码器的功能磁共振成像数据建模。
IEEE Trans Med Imaging. 2018 Jul;37(7):1551-1561. doi: 10.1109/TMI.2017.2715285. Epub 2017 Jun 15.
7
A new ensemble residual convolutional neural network for remaining useful life estimation.一种新的集成残差卷积神经网络用于剩余使用寿命估计。
Math Biosci Eng. 2019 Jan 28;16(2):862-880. doi: 10.3934/mbe.2019040.
8
Decoding of finger trajectory from ECoG using deep learning.使用深度学习对 ECoG 进行手指轨迹解码。
J Neural Eng. 2018 Jun;15(3):036009. doi: 10.1088/1741-2552/aa9dbe. Epub 2017 Nov 28.
9
A fault diagnosis scheme for rotating machinery using hierarchical symbolic analysis and convolutional neural network.一种基于层次符号分析和卷积神经网络的旋转机械故障诊断方案。
ISA Trans. 2019 Aug;91:235-252. doi: 10.1016/j.isatra.2019.01.018. Epub 2019 Jan 24.
10
Theory of deep convolutional neural networks: Downsampling.深度卷积神经网络理论：下采样。
Neural Netw. 2020 Apr;124:319-327. doi: 10.1016/j.neunet.2020.01.018. Epub 2020 Jan 25.

引用本文的文献

1
Universality of representation in biological and artificial neural networks.生物和人工神经网络中表征的普遍性。
bioRxiv. 2024 Dec 26:2024.12.26.629294. doi: 10.1101/2024.12.26.629294.
2
Extreme image transformations affect humans and machines differently.极端的图像变换对人和机器的影响不同。
Biol Cybern. 2023 Oct;117(4-5):331-343. doi: 10.1007/s00422-023-00968-7. Epub 2023 Jun 13.
3
Long short-term memory-based neural decoding of object categories evoked by natural images.基于长短时记忆的自然图像诱发目标类别的神经解码
Hum Brain Mapp. 2020 Oct 15;41(15):4442-4453. doi: 10.1002/hbm.25136. Epub 2020 Jul 10.

本文引用的文献

1
Using goal-driven deep learning models to understand sensory cortex.利用目标驱动的深度学习模型理解感觉皮层。
Nat Neurosci. 2016 Mar;19(3):356-65. doi: 10.1038/nn.4244.
2
Explicit information for category-orthogonal object properties increases along the ventral stream.明确的类别正交物体属性信息沿腹侧流增加。
Nat Neurosci. 2016 Apr;19(4):613-22. doi: 10.1038/nn.4247. Epub 2016 Feb 22.
3
Deep learning.深度学习。
Nature. 2015 May 28;521(7553):436-44. doi: 10.1038/nature14539.
4
Deep supervised, but not unsupervised, models may explain IT cortical representation.深度监督模型而非无监督模型可能解释IT皮层表征。
PLoS Comput Biol. 2014 Nov 6;10(11):e1003915. doi: 10.1371/journal.pcbi.1003915. eCollection 2014 Nov.
5
Performance-optimized hierarchical models predict neural responses in higher visual cortex.性能优化的层次模型预测高级视觉皮层中的神经反应。
Proc Natl Acad Sci U S A. 2014 Jun 10;111(23):8619-24. doi: 10.1073/pnas.1403112111. Epub 2014 May 8.