Wilson-Cowan网络中的视觉信息流
神经元与认知
2019-07-31 v1
摘要
本工作中,我们研究一个经过心理物理调谐的Wilson-Cowan与Divisive Normalization层级联(模拟视网膜-V1通路)的通信效率。这是首次从多元总相关的角度对Wilson-Cowan网络进行分析。皮层模型的参数通过Wilson-Cowan模型稳态与Divisive Normalization模型之间的关系导出。通信效率通过两种方式分析:首先,我们给出应用Wilson-Cowan相互作用后类V1群体响应间总相关减少的解析表达式。其次,我们使用此前不可用的视觉刺激与统计工具实证研究了效率:(1)我们使用近期辐射度校准的自然场景数据集,(2)我们使用近期一种仅涉及单变量操作即可从视觉响应集合中估计以比特为单位的多元总相关技术,从而获得更好的冗余估计。理论与实证结果表明,尽管该层层级联并未以任何方式针对统计独立性优化,响应间的冗余沿神经通路显著减少。具体而言,我们表明(1)Wilson-Cowan网络的效率与其等效Divisive Normalization模型相似,(2)虽然初始层(Von-Kries适应与Weber-like亮度)有助于单变量均衡,但对总相关减少的更大贡献来自非线性局部对比度计算与局部定向滤波器应用,(3)心理物理调谐模型在亮度-对比度平面中样本更密集的区域更高效(减少更多总相关)。
引用
@article{arxiv.1907.13046,
title = {Visual Information flow in Wilson-Cowan networks},
author = {Alexander Gomez-Villa and Marcelo Bertalmío and Jesús Malo},
journal= {arXiv preprint arXiv:1907.13046},
year = {2019}
}