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...

Ausführliche Beschreibung

Gespeichert in:
Bibliographische Detailangaben
1. Verfasser: Zwickel, Timm
Beteiligte: Eckhorn, Reinhard (Prof.Dr.) (BetreuerIn (Doktorarbeit))
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!
Beschreibung
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