类脑计算

　　《类脑计算》从多学科交叉的角度将神经生物学在视觉神经机制、神经元信号加工与编码方面的解剖学与电生理学发现和认知心理学关于知觉信息加工、工作记忆等方面的实验结论，与人工智能中关于图像理解与人工神经元网络模型结合起来，设计能够模拟视网膜、初级视皮层和高级视皮层部分图像信息加工功能，以及模拟神经编码微回路的数据结构和层次网络计算模型，并用计算机视觉或图像理解领域常用的测试数据集来验证这些网络计算模型的效能。这些深入考虑了神经生物学基本机制与约束的计算模型，一方面能够在工程方面为图像理解或信息保持提供不同于传统方法的新解决方案，另一方面也为神经科学研究提供了探索神经信号加工内在机理的仿真平台。这些以信息加工神经生理机制和认知心理机制为基本出发点的计算建模研究为人工智能关于表征、神经计算新模型、基于结构的学习模型、不同于经典图灵机模型的新计算架构开拓了思路。

暂缺《类脑计算》作者简介

目录　
前言　
第1章　什么是类脑计算　1　
1.1　类脑计算的非正式说明　1　
1.2　类脑计算助力工程问题　2　
1.3　类脑计算助力神经科学研究　6　
1.4　类脑计算与人工智能　10　
参考文献　11　
第2章　基于多尺度感受野的警觉保持计算模型　12　
2.1　人类视觉系统　12　
2.1.1　眼睛的构造　12　
2.1.2　视网膜的结构与功能　13　
2.1.3　视网膜|外膝体|视皮层通路的定量分析　16　
2.1.4　视觉的空间辨别　19　
2.1.5　视神经通路　20　
2.1.6　感受野的研究　23　
2.1.7　视觉信息处理机制给计算机视觉的启示　26　
2.2　DOG模型　27　
2.2.1　DOG模型概述　27　
2.2.2　on事件与off事件的定义及检测规则　28　
2.2.3　参数选取及阈值界定　31　
2.3　警觉保持计算模型　38　
2.3.1　逐级加工的层次网络模型　38　
2.3.2　多尺度感受野的设计算法　40　
2.3.3　拟神经节单元生成算法　42　
2.3.4　感受野覆盖特性研究　42　
2.3.5　警觉保持算法　46　
2.4　仿真实验　47　
2.4.1　实验参数的设定　47　
2.4.2　实验结果　49　
参考文献　54
第3章　生物视网膜早期机制的模拟与性能平衡　55　
3.1　生物视网膜结构模型　55　
3.1.1　眼睛的结构与视觉成像原理　55　
3.1.2　生物视网膜层次网络结构　56　
3.1.3　生物视网膜信息处理的概要性流程　58　
3.1.4　生物视网膜信息处理过程中值得研究的几个重要问题　59　
3.2　早期视觉模型分类与分析　60　
3.2.1　早期视觉模型分类　60　
3.2.2　“黑匣子”算法模型　61　
3.2.3　简单生理拟合模型　61　
3.2.4　复杂生理拟合模型　63　
3.3　早期视觉机制的模拟　65　
3.3.1　模拟视网膜结构的计算模型　65　
3.3.2　视网膜神经节细胞感受野分布模型　70　
3.3.3　光感受器细胞的算法模型　72　
3.3.4　神经节细胞的算法模型　74　
3.4　计算模型的实现与实验分析　75　
3.4.1　模型的实现　75　
3.4.2　真实图片实验结果与分析　75　
参考文献　85　
第4章　视网膜仿真及其感知效能分析　87　
4.1　视网膜各层结构在信息处理中的作用　87　
4.2　视网膜中的垂直并行通路结构简介　88　
4.2.1　视锥细胞通路与视杆细胞通路　88　
4.2.2　ON与OFF通路　88　
4.2.3　颜色、亮度、运动等功能性并行通路　89　
4.2.4　视网膜各并行通路在信息处理中的作用　90　
4.3　视网膜模型设计与实现　91　
4.3.1　视网膜模型的整体模式图　91　
4.3.2　光感受器层的模拟　92　
4.3.3　水平细胞层和双极细胞层的模拟　98　
4.3.4　无长足细胞层的模拟　101　
4.3.5　神经节细胞层的模拟　102　
4.4　实验系统设计与分析　104　
4.4.1　视网膜网络模型的基本结构验证实验　104
4.4.2　视网膜网络模型的刺激探测效果及物体表征效果实验　109　
4.4.3　视网膜神经节细胞感受野对视网膜性能的影响分析　115　
参考文献　117　
第5章　基于视网膜的图像局部朝向刺激表征模型　119　
5.1　视觉计算模型　119　
5.1.1　数字图像的表征　120　
5.1.2　“像素无关”的采样策略　122　
5.1.3　非均匀密度分布细胞的生成　123　
5.1.4　视觉计算模型的逐层构建　125　
5.1.5　视觉计算模型的平行通路　130　
5.1.6　图像表征与重构　134　
5.1.7　本节小结　134　
5.2　视觉计算模型的图像表征实验　135　
5.2.1　图像复杂度的概念　135　
5.2.2　边界直线段的检测实验　137　
5.2.3　图像的\\解构“与\\重构”实验　139　
5.2.4　本节小结　141　
5.3　视觉计算模型的效能分析　141　
5.3.1　确定视觉计算模型各层计算单元的位置　142　
5.3.2　由类神经节细胞的空间位置产生的几何约束　143　
5.3.3　视觉计算模型的效能平衡点　150　
5.3.4　本节小结　152　
参考文献　152　
第6章　颜色拮抗机制的计算模型　153　
6.1　颜色拮抗机制　153　
6.2　一种基于非经典感受野的模型　156　
6.2.1　模型设计　156　
6.2.2　实验　164　
6.2.3　本节小结　166　
6.3　一种基于神经节细胞经典感受野拮抗机制的图像表征模型　167　
6.3.1　模型设计　167　
6.3.2　实验　175　
6.3.3　本节小结　181　
参考文献　182
第7章　初级视皮层计算模型构建及其高阶功能探索　183　
7.1　计算模型设计与实现　183　
7.1.1　早期视觉系统模型　183　
7.1.2　视网膜、外膝体层的模拟　184　
7.1.3　方位柱的模拟实现　186　
7.1.4　颜色通道的模拟实现　188　
7.2　实验系统设计与分析　191　
7.2.1　计算模型的设计验证　191　
7.2.2　过程与结果的验证　194　
7.2.3　高阶功能探索实验　200　
参考文献　203　
第8章　基于非经典感受野机制的计算模型　204　
8.1　非经典感受野机制　204　
8.1.1　经典感受野的生理学研究　204　
8.1.2　非经典感受野的生理学研究　207　
8.1.3　视网膜神经节细胞的非经典感受野神经机制　209　
8.1.4　视网膜的逆向调控机制　209　
8.1.5　固视微动　210　
8.1.6　对非经典感受野已有工作的总结　211　
8.2　三层网络模型　212　
8.2.1　模型设计　213　
8.2.2　实验结果　215　
8.2.3　本节小结　218　
8.3　多层次网络计算模型设计　218　
8.3.1　计算回路设计　219　
8.3.2　层次网络模型设计　221　
8.3.3　GC感受野的数学模型　222　
8.3.4　参数设置　223　
8.3.5　动态感受野设计　229　
8.4　图像表征的相关实验　231　
8.4.1　一致性实验　231　
8.4.2　简洁性实验　232　
8.4.3　忠实性实验　236　
8.5　通用表征对图像理解的促进实验　242　
8.5.1　聚类促进实验　243
8.5.2　分割促进实验　244　
8.5.3　轮廓拟合实验　247　
参考文献　253　
第9章　朝向选择性模型及其应用　257　
9.1　模型生理基础　257　
9.1.1　初级视觉通路　258　
9.1.2　神经节及外膝体细胞的感受野　259　
9.1.3　简单细胞的感受野　262　
9.2　LGN细胞对刺激的响应模型　265　
9.2.1　与对比度无关的响应　265　
9.2.2　响应函数及其性质　268　
9.2.3　响应曲线　271　
9.3　简单细胞的方向计算模型　272　
9.3.1　基本*小二乘模型　273　
9.3.2　非线性优化模型　274　
9.3.3　模型求解及解的性质　276　
9.3.4　误差分析　279　
9.3.5　改进的非线性加权模型　280　
9.3.6　理想Hubel-Wiesel条件下方向不唯一性　282　
9.4　实验及分析　283　
9.4.1　方向检测方法　283　
9.4.2　模型的选择　284　
9.4.3　参数的确定　285　
9.4.4　简单细胞感受野的模拟　287　
9.4.5　刺激复杂度与计算误差　288　
9.5　模型应用一：图像的方向检测　289　
9.5.1　检测方法　289　
9.5.2　形状图像　292　
9.5.3　自然图像　292　
9.5.4　对更高层处理的增强　302　
9.6　模型应用二：视错觉的几何解释　305　
9.6.1　干扰导致计算偏差　305　
9.6.2　错觉的解释　306　
9.7　模型应用三：平面的朝向分析　312　
9.7.1　三维图像信息获取　312
9.7.2　成像模型　313　
9.7.3　基本图形的三维信息　316　
9.7.4　场景综合特征分析　322　
9.7.5　实验　324　
参考文献　328　
第10章　基于非经典感受野的图像表征模型　336　
10.1　非经典感受野机制　336　
10.1.1　经典感受野　336　
10.1.2　非经典感受野　339　
10.1.3　视网膜神经节细胞的功能模型　341　
10.1.4　非经典感受野和一些心理学实验现象的关系　342　
10.1.5　经典感受野和非经典感受野的动态特征　343　
10.2　视网膜神经节细胞的建模　344　
10.2.1　神经节细胞非经典感受野作为图像表征的载体　344　
10.2.2　神经节细胞感受野的数学模型　346　
10.2.3　将RGB颜色值转换为类波长单值　348　
10.2.4　神经节细胞计算模型的设计　350　
10.3　神经节细胞感受野阵对图像的表征　360　
10.3.1　从GC输出图像中进行图像重构　360　
10.3.2　感受野与图像统计特征的关联性验证实验　362　
10.3.3　感受野与多分辨率分析　367　
10.3.4　感受野也是一种超像素　372　
10.4　基于非经典感受野的表征对图像后期加工的促进作用　375　
10.4.1　对特征配准的提升作用　375　
10.4.2　对图像分割的提升作用　377　
10.5　利用非经典感受野的表征实现图像多尺度融合轮廓检测　383　
10.5.1　非经典感受野表征图像　383　
10.5.2　算法设计　386　
10.5.3　利用神经节细胞感受野尺寸变化得到多尺度信息　387　
10.5.4　感受野响应值的计算　388　
10.5.5　抑制区模型和去抑制区模型的数学模拟　389　
10.5.6　实验结果　391　
10.5.7　算法的性能评估　395　
参考文献　403
第11章　基于视皮层超柱结构的图像表征方法及其在形状识别中的应用　412　
11.1　构建模拟初级视皮层V1区的神经网络　412　
11.1.1　SOM神经网络的特性、结构与一般训练过程　412　
11.1.2　基于SOM神经网络的模拟初级视皮层的V-SOM神经网络设计　414　
11.1.3　V-SOM网络模拟皮层结果与真实生理数据对比实验　41