Documenti di Didattica
Documenti di Professioni
Documenti di Cultura
DS-LISSOM
Este modelo intenta detectar la novedad al observar la cantidad que el sistema debe cambiar
para incorporar la nueva información.
HLISSOM fue elegido como el modelo a seguir debido a su estricta adherencia a la emulación
de procesos biológicos y su capacidad para trabajar con imágenes reales.
Existen dos fuentes de información: las imágenes reales que representan a la vista y las
imágenes generadas sintéticamente que representan la actividad espontánea dentro del
sistema visual.
La LGN(núcleo geniculado lateral) se divide en dos capas: una que representa la activación ON
y otra que representa la activación OFF de las células ganglionares de la retina. Los resultados
proporcionados por Bednar han demostrado que cuando se trabaja con imágenes reales
permite que la LGN responda a una amplia gama de valores de brillo.
La función de activación se asegura de que haya al menos una cantidad mínima de actividad
dentro del campo receptivo antes de que la célula se active. Esto es extremadamente útil ya
que muchas imágenes reales son ruidosas.
Modelado V1
Esta es la primera área de interés para los aspectos de aprendizaje de DS-LISSOM. Las
estadísticas se almacenan para determinar si una orientación particular se ha visto antes o no.
Modelado MT
En este punto las cosas cambian, porque los efectos temporales deben ser considerados.
Esta es la primera área en este modelo que es selectiva de dirección. Como tal, es necesario
implementar algún tipo de retroalimentación para tener en cuenta los diferentes períodos de
tiempo.
Entrenando el sistema
Cuando los cambios en ese entorno (eventos inconsistentes) ocurran más tarde, el sistema
responderá ajustando sus ponderaciones. Nuevamente, esto es consistente con la
investigación previamente discutida, que ha demostrado los efectos de criar gatos en
ambientes atípicos.