稀疏深度预测编码捕捉早期视觉系统的轮廓整合能力
计算机视觉与模式识别
2019-10-18 v3 人工智能
机器学习
摘要
神经生理和心理物理实验均指出，在早期视觉皮层中，递归和反馈连接对于处理上下文依赖信息起着关键作用。虽然众多模型已在神经或表征层面解释了反馈效应，但尚无模型能将这两个分析层面结合起来。是否可能使用同一模型在这两个层面上描述反馈效应？我们通过将预测编码（PC）与稀疏编码（SC）结合到一个分层卷积框架中来回答这个问题。在这个稀疏深度预测编码（SDPC）模型中，SC 组件模拟每层内部的递归处理，PC 组件使用前馈和反馈连接描述层间相互作用。在此，我们在两个不同的图像数据库上训练了一个两层的 SDPC，并将其解释为早期视觉系统（V1 和 V2）的模型。我们首先证明一旦训练收敛，SDPC 在 V1 中表现出定向和局部的感受野，在 V2 中表现出更复杂的特征。其次，我们利用交互图分析了超出 V1 神经元经典感受野的反馈对神经组织的影响。这些图类似于联想场，并反映了良好延续的完形原则。我们证明反馈信号重组交互图并调节神经活动以促进轮廓整合。第三，我们在表征层面证明 SDPC 反馈连接能够克服输入图像中的噪声。因此，SDPC 在神经层面捕捉了联想场原则，从而在表征层面导致对模糊图像的更好去歧义。
引用
@article{arxiv.1902.07651,
title = {Sparse Deep Predictive Coding captures contour integration capabilities of the early visual system},
author = {Victor Boutin and Angelo Franciosini and Frederic Chavane and Franck Ruffier and Laurent Perrinet},
journal= {arXiv preprint arXiv:1902.07651},
year = {2019}
}