Aug, 2023

视觉注意信息可追溯至大脑皮层反应而非视网膜：来自自然图像刺激的电生理实验证据

PDF
TL;DR我们通过计算方法研究了视觉注意力的生物学基础，分析了小鼠的视网膜和皮层电生理数据，结果显示在 V1 中约 10% 的神经元对显著和非显著的视觉区域有不同的响应，视觉注意力信息在视网膜反应中并未被追踪到，似乎视网膜对视觉注意力仍然是个陌生的概念，而皮层反应会被调节以解释视觉注意力信息；我们的研究为改进视觉假体系统的设计（这类系统通过植入于视网膜或皮层的电子植入物为视力受损者创造人工视觉感知）做出了贡献。
发现论文，激发创造
  • 基于脉冲神经网络的仿生视觉关注技术应用于图案分类的硅视网膜研究

    本文回顾了视觉注意机制的生物学背景，并介绍了一个基于基于感知机制和脉冲神经网络的事件视频分类的案例研究，初步结果表明其有效性。

    May, 2021

  • 我的大脑关注哪里？从脑活动预测视觉注意力

    本文研究基于 EEG 采集数据的图像视觉注意力识别算法，结果表明其效果与传统基于图像分析的方法相当，数据集和代码已提供。

    Jan, 2022

  • 从视网膜到皮层的早期视觉表征的统一理论：基于解剖约束深度卷积神经网络

    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

  • 自然环境下的视觉注意力感知增强效应取决于任务类型

    本论文研究了自顶向下的注意力在自然场景下是否会提高感知能力，在大规模的计算实验中，作者设计了多项视觉任务，通过训练加入了注意力的神经网络，并与基线神经网络进行比较，发现注意力对任务难度越大、任务规模越小、任务内部感知相似度越低时，提高感知能力的作用越强。

    Feb, 2020

  • 利用深度学习揭示初级视皮层图像的神经编码

    该论文使用深度卷积神经网络预测 V1 神经元对自然图像的响应，发现有 15% 的神经元可以准确预测，并使用逆神经网络确定激发 V1 神经元的图像特征（接受野），其中包括预测高级纹理图像特征的神经元。

    Jun, 2017

  • 人工神经网络中的被动关注机制预测人类视觉选择性

    通过 79 个实验和 7,810 个实验参与者的数据研究，揭示了同人类视觉选择性估计有显著重叠的被动关注技术，指出使用引导反向传播方法探测相对简单的神经网络架构产生的输入可视化是预测共享成分的最佳选择，这些结果帮助我们通过比较不同模型在图像信息选择性方面的相似性和差异性来评估领先的神经网络模型作为人类视觉模型的生物学和心理学的有效性。

    Jul, 2021

  • 大鼠初级视觉皮层中视觉物体表示的表征

    本文通过有指导的和无指导的学习方法，分析了大鼠初级视皮层（V1）中各种视觉物体属性的表示，并证明了 V1 神经元具有区分能力，可以直接从神经元响应中派生出光度属性（亮度和物体在场景中的位置）的能力。

    Oct, 2018

  • 高效視覺編碼： 從視網膜到 V2

    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

  • Sensorium 竞赛：预测大规模小鼠初级视皮层活动

    提出一种 Mouse neural system identification 的 benchmark competition，收集了一组大规模的数据集，基于预测性能对不同模型进行排名和评估。

    Jun, 2022

  • 深度学习模型对自然场景的视网膜反应

    本文主要研究使用深度卷积神经网络模型对视网膜对自然场景的反应进行建模，发现其能够准确地描述神经电路对自然刺激的反应，并探究了卷积神经网络模型的内在结构和功能特点，在数据量少、样本分布不同等情况下表现较优，有助于从神经电路的角度解析神经科学中的计算问题。

    Feb, 2017