Internet stranica

U interdisciplinarnom projektu financiranom od strane kanadskog Instituta za napredna istraživanja (CIFAR) Catalyst grant, istraživači sa Sveučilišta u Guelphu i Sveučilišta u Torontu  Mississauga su ujedinili ekspertizu u biologiji voćnih muha uz strojno učenje za izgradnju biološki baziranog algoritma koji prolazi kroz videozapise niskih razlučivosti voćnih mušica kako bi se testiralo je li fizički moguće da sustav s takvim ograničenjima izvrši tako težak zadatak.

Voćne muhe imaju male složene oči koje zauzimaju ograničenu količinu vizualnih informacija, približno 29 jedinica na kvadrat. Tradicionalno je mišljenje da kada voćna mušica obrađuje sliku može razlikovati samo vrlo široke značajke. No, nedavno otkriće da voćne mušice mogu potaknuti učinkovito rješavanje rezolucije suptilnim biološkim trikovima, znanstvenici su vjerovali da bi ta vizija mogla značajno pridonijeti društvenom životu muha. Ovo, u kombinaciji s otkrićem da struktura njihovog vizualnog sustava izgleda kao Deep Convolutional Network (DCN), vodilo je do upita: “Možemo li modelirati mozak mušice koji može identificirati pojedince?”

Njihov računalni program ima iste teoretske sposobnosti unosa i obrade kao i voćne muhe i bio je obučen na video pogleda mušice tijekom dva dana. Tada je bio u stanju pouzdano identificirati istu mušicu trećeg dana s rezultatom F1 (mjera koja kombinira preciznost i opoziv) od 0,75. Impresivno, to je samo malo lošije od 0,85 i 0,83 za algoritme bez ograničenja biologije mozga mušice. Za usporedbu, kada se daje lakši zadatak podudaranja ‘mugshota’ leta na polju od 20 drugih mušica, iskusni biolozi mušica uspjeli su dosegnuti rezultat od 0,08. Slučajne vjerojatnosti bi rezultirale 0,05.

Izvor: ScienceDaily

//bitinfo.ba/wp-content/uploads/2018/10/footer-logo.png
hrHR
en_USEN hrHR