FenixEdu™

Dissertação

{en_GB=Self-Organized Artificial Retina With Deep Neural Networks} {} EVALUATED

Detalhes: {pt=Ao longo de milhares de anos de evolução, os animais têm desenvolvido sistemas visuais com retinas organizadas de forma bastante distinta, indo ao encontro das suas necessidades específicas relativamente ao ambiente que os rodeia, os seus hábitos alimentares ou outro qualquer factor externo. Continuando trabalho já existente, esta tese foca-se em usar numa rede neuronal profunda que modele uma arquitectura inspirada na biologia conhecida como rede sensorimotora. Esta rede sensorimotora combinará informação sensorial e motora adquiridas por um agente em contacto com o ambiente com o intuito de fazer predição de imagem. Uma comparação entre uma imagem vista numa câmara e a imagem predicta pode ser um passo muito importante na detecção de anomalias em robôs em movimento, tais como obstáculos inesperados, podendo também ser extremamente útil no acto de rastrear e centrar objectos, aquando da sua perseguição. Esta comparação é feita usando métodos superficiais e profundos, analisando e medindo as performances de cada, assim como a velocidade dessas predições. Em última análise, um robô equipado com tamanho potencial poderia originar consciência motora adaptando-se ao seu meio, estando assim um passo mais próximo da independência. , en=Through millions of years of evolution, animals have developed visual systems with very distinctively organized retinas meeting their specific needs regarding the environment surrounding, their feeding habits or any other external factor. Following previous work, this thesis focus on using a deep neural network to model a biological inspired architecture known as sensorimotor network. This sensorimotor network will combine both sensor and motor inputs acquired by an agent interacting with the environment, aiming for image prediction. A comparison between one image being viewed in the camera and the predicted image can be a very important step in detecting anomalies in moving robots such as unexpected obstacles and it can also be extremely useful in tracking or centering objects when chasing them. This comparison is done using shallow and deep methods, analyzing and measuring the performances in each as well as the speed of those predictions. Ultimately, a robot equipped with such potential could originate motor self-awareness, adapt to its environment and be a step closer to independence.}
Keywords: {pt=Redes Neuronais Profundas, Estruturas Sensorimotoras, Predição de Estímulos, en=Deep Neural Networks, Sensorimotor Structures, Stimulus Prediction}

Discussão: maio 23, 2017, 9:0