Publikationsserver
Coding the Presence of Visual Objects in a Recurrent Neural Network of Visual Cortex
Bevor wir in der Lage sind Sehobjekte zu erkennen, müssen wir diese von ihrem Hintergrund trennen. Dies bedarf eines schnellen Mechanismus, der feststellt ob und an welchem Ort ein Objekt vorliegt - unabhängig davon um was für ein Objekt es sich handelt. Vor wenigen Jahren wurden Kantenzugehör...
Gespeichert in:
| 1. Verfasser: | |
|---|---|
| Beteiligte: | |
| Format: | Dissertation |
| Sprache: | Englisch |
| Veröffentlicht: |
Philipps-Universität Marburg
2006
|
| Schlagworte: | |
| Online Zugang: | PDF-Volltext |
| Tags: |
Tag hinzufügen
Keine Tags, Fügen Sie den ersten Tag hinzu!
|
| Zusammenfassung: | Bevor wir in der Lage sind Sehobjekte zu erkennen, müssen wir diese
von ihrem Hintergrund trennen. Dies bedarf eines schnellen
Mechanismus, der feststellt ob und an welchem Ort ein Objekt vorliegt
- unabhängig davon um was für ein Objekt es sich handelt.
Vor wenigen Jahren wurden Kantenzugehörigkeitsneurone (border-ownership neurons) im Sehkortex wacher Affen gefunden Zhou et al. (2000), die wahrscheinlich eine Rolle in obig erwähnter Aufgabe
spielen. Kantenzugehörigkeitsneurone antworten mit erhöhter Feuerrate,
wenn sie die Kante eines Objekts kodieren, das sich von der Kante aus
zu einer bestimmten, der vom Neuron bevorzugten, Seite erstreckt. Im
Gegensatz dazu feuert das Neuron mit reduzierter Aktivität, wenn die
kodierte Kante Teil eines Objektes ist, welches sich zur anderen,
nicht bevorzugten Seite erstreckt. Diese Selektivität für die Lage
eines Stimulusobjekts bezüglich einer Kante wird Kantenzugehörigkeit
(border ownership) genannt. Zhou et al. (2000) fanden in den Arealen
V1, V2 und V4 des Sehkortex Kantenzugehörigkeitsneurone, die auf
orientierte Kontrastkanten und Linien antworteten.
Um den oben beschriebenen schnellen Mechanismus zu erklären, habe
ich ein Neuronales Netzwerkmodell entwickelt, das das Vorhandensein
von Stimulusobjekten detektiert. Mein Modell bestent aus den folgenden
Arealen:
- Areal-1: Kodierung orientierter Kanten
- Areal-2: Kodierung von Kurvenverläufen
- Areal-3: Detektion des Vorhandenseins von Stimulusobjekten
Vorwärtsverschaltungen und laterale Verbindungen
unterstützen in meinem Modell die Kodierung von Gestalteigenschaften
wie z.B. Ähnlichkeit, guter Verlauf und Konvexität. Die Modellneurone
des Areals 3 feuern, wenn ein Objekt im Stimulus vorliegt und kodieren
dessen Position unabhängig von der Form des Objekts.
Rückkopplungen von Areal-3 auf Areal-1 unterstützen
Orientierungsdetektoren, die die Kontur eines möglichen Objekts
kodieren. Diese Rückkopplungen verursachen in unserem Modell den
experimentell beobachteten Kantenzugehörigkeitseffekt.
Rückkopplung von Kantenzugehörigkeit wirkt direkt auf Neurone, die die
konvexen Stellen der Kontur eines Objekts kodieren. Neurone, die
konkave Teile der Kontur kodieren, erreicht die Rückkopplung indirekt
über laterale Verbindungen innerhalb des Kantenzugehörigkeits-Areals.
Meine Simulationen zeigen, dass Kantenzugehörigkeits-Rückkopplungen mit
Hebb'schem Lernen gelernt werden können. Dies ist eine Bestätigung
meiner Netzwerkarchitektur.
Mein Netzwerk ist ein umfassendes Modell, das mehrere Aspekte der
Objektdetektion und -kodierung beinhaltet. Hiermit lassen sich die
experimentellen Beobachtungen von Kantenzugehörigkeit reproduzieren.
Desweiteren arbeiten die Mechanismen unseres Modells schnell und sie
verbessern signifikant die Figur-Hintergrund-Trennung, die benötigt
wird, um in nachfolgenden Schritten Objekterkennung leisten zu können. |
|---|---|
| Umfang: | 121 Seiten |
| DOI: | 10.17192/z2006.0825 |