本文研究了鼠视觉皮层神经元的处理方式，通过使用旋转等价卷积神经网络提取共性特征并与传统模型进行比较，发现传统线性 - 非线性模型存在不足，但卷积神经网络能够更加准确地预测自然刺激下神经元的反应，且 V1 神经元存在一些与传统 Gabor 过滤器不同的共性特征，这对研究 V1 中的非线性计算具有重要意义。

Sep, 2018

通过使用深度卷积神经网络模型，本文发现视觉系统中的不同神经约束可以导致视觉处理的不同阶段产生不同的表征模式，并预测小型脊椎动物的视网膜应执行非线性的特征检测计算，而大型动物的视网膜应当基本以线性方式编码视觉场景以响应广泛的刺激。

Jan, 2019

本文提出了一种基于改进的 RICA 模型的新方法，通过使用 sPCA 算法，模拟了人类视觉处理中不同层级的感受野，可以帮助理解人类视觉的功能和实现计算机视觉的研究。

Dec, 2013

我们将神经科学构建的结构组件系统地纳入卷积神经网络，以解释 V1 神经活动和调谐特性，结果证实这些神经科学构建的结构组件可以使 CNN 更好地模拟 V1 神经活动和调谐特性。

May, 2023

训练在自然图像上的稀疏编码算法能够准确预测视觉皮层神经元所激发的特征，但不确定是否可以使用生物学真实的可塑性规则来学习这些代码。我们开发了一种生物物理模型的尖峰网络，仅依靠突触局部信息就能预测自然图像上 V1 简单细胞感受野的全部多样性形状，这是首次证明，稀疏编码原则在皮层结构限制下操作时可以成功地再现这些感受野。我们进一步证明，稀疏性和去相关是允许突触局部可塑性规则优化神经表达形成的合作线性生成图像模型的关键因素。最后，我们讨论了我们的网络的几个有趣的新兴属性，以期弥合视觉皮层的理论和实验研究之间的差距。

Sep, 2011

介绍一个新的神经网络架构和无监督算法，用于学习从时间序列图像中获得不变表示，该系统使用两组复杂细胞，一个表示图像的内容，另一个表示精确的位置特征，并且使用一个编码器提取特征。

Jun, 2010

本研究用深度学习卷积神经网络尝试预测视神经系统中的神经元反应，结果显示，CNN 能学到视网膜电路的生物学组成，且这些特征可以显示为视网膜节细胞传统感受野的空间瓦片，为研究神经回路的结构奠定了基础。

Nov, 2017

本文研究基于儿童视觉物体识别能力的发展轨迹和 Bar (2003) 的理论，提出一种深度卷积神经网络训练的优化策略，在基础级别物体分类的基础上训练亚目标级别分类，进而在小型数据集的迁移学习中取得了优秀的效果提升，证明本方法的可行性和有效性。

Nov, 2015

研究表明，使用卷积神经网络 (CNN) 驱动的图像识别技术不仅能在下流视觉区域说明大脑对静态图片的反应，还能可靠地预测和解码人类观看自然电影时的功能性磁共振成像数据，并通过缺少有关时间动态或反馈处理机制的 CNN-Predicted areas 覆盖了包括腹侧流和背侧流在内的大部分视觉和语义空间。

Aug, 2016

研究发现，在哺乳动物的低级视觉通路中，加入一种基于前皮层神经元回路的卷积模块可以显著提高卷积神经网络的鲁棒性。

Feb, 2022