在灵长类动物的背部 ("何处") 路径到光流中模拟皮质反应的发展,使用层次神经场模型

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 计算机视觉 计算机视觉

背景情况:

• 在背部 (
• 在哪里,在哪里.
• ) 途径,特别是中部上部 (MST) 区域,对于灵长类动物的运动处理至关重要.
• 现有的计算模型主要集中在腹部 (
• 什么是什么什么是什么
• ) 路径,使得MST建模相对未得到充分探索.
• MST神经元对各种光流模式,包括辐射和旋转运动,表现出选择性的反应.

研究的目的:

• 开发和评估模拟灵长类动物背道光流计算的计算模型.
• 调查不同的建模方法的生物可信性,包括赫比学习和深度学习.
• 为了比较模型生成的神经反应与来自的MST神经元的神经生物学数据.

主要方法:

• 设计了三种计算模型:Model-1和Model-2采用了三级架构 (方向选择性马赛克网络,细胞平面网络/Hebbian网络,光流网络),使用生物学上可信的Hebbian规则进行训练.
• 模型-3使用了一种速度选择性马赛克网络,然后是卷积神经网络 (CNN),通过监督反向传播进行训练.
• 模型在光流序列 (翻译,辐射,旋转) 上受训,并使用响应相似度矩阵 (RSM) 分析它们的响应.

主要成果:

• 用赫比规则训练的模型1和2开发了模拟的神经元,这些神经元表现出与神经生物学上观察到的MSTd细胞特征一致的响应特性.
• 模型-3,使用CNN,证明神经元反应与的运动路径内的功能层次的概念保持一致.
• 使用RSM进行的定量比较验证了模型生成的响应与灵长类视觉系统架构的一致性.

结论:

• 计算模型,特别是那些采用深度学习的模型,可以提供灵长类动物运动路径发展的计算优雅和生物学合理的模拟.
• 这项研究为了解光流神经计算如何在MST等领域出现提供了一个框架.
• 这些发现有助于弥合计算建模与神经生物学对视觉运动感知理解之间的差距.