Coding the Presence of Visual Objects in a Recurrent Neural Network of Visual Cortex
Zwickel, Timm
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.
Philipps-Universität Marburg
Life sciences
urn:nbn:de:hebis:04-z2006-08253
https://doi.org/10.17192/z2006.0825
opus:1503
Ratenkodierendes Neuron
Philipps-Universität Marburg
Visual object
Visual system
urn:nbn:de:hebis:04-z2006-08253
Publikationsserver der Universitätsbibliothek Marburg
Universitätsbibliothek Marburg
Neural network
English
https://archiv.ub.uni-marburg.de/diss/z2006/0825/cover.png
Medical information systems
Health
Biology and genetics (REVISED)
LIFE AND MEDICAL SCIENCES
Großhirnrinde
2006-07-13
2006-12-21
Rückkopplung
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.
Coding the Presence of Visual Objects in a Recurrent Neural Network of Visual Cortex
Gestaltpsychologie
Before we can recognize a visual object our visual system has to
segregate it from its background. This requires a fast mechanism for
establishing the presence and location of objects independent of their
identity.
Recently, border-ownership neurons were recorded in monkey
visual cortex which might be involved in this task Zhou et al. (2000).
Border-ownership neurons respond with increased rates when an object
surface extends to one specific side of the contour they encode.
Conversely, the rate decreases when the contour belongs to an object
extending to the other side. This selectivity for object position
relative to a contour is called border-ownership. Zhou et al. (2000) found
border-ownership neurons that encode oriented contrast edges or lines
in areas V1, V2, and V4 of visual cortex in awake monkeys.
In order to explain the basic mechanisms required for
fast coding of object presence I developed a neural network
model of visual cortex consisting of these three areas:
- Area 1: encoding orientation contours
- Area 2: encoding curvatures
- detecting the presence of stimulus objects
In my model feed-forward and lateral connections support
coding of Gestalt properties including similarity, good continuation
and convexity. Model neurons of the highest area (Area-3) respond to
the presence of an object and encode its position, invariant of its
form.
Feedback connections from Area-3 to Area-1 facilitate orientation
detectors activated by contours belonging to potential objects, and
thus generate the experimentally observed border-ownership property.
Border-ownership feedback is transmitted directly to neurons encoding
convex contours of an object and indirectly via lateral connections
into concavities.
My simulations show that the border-ownership connections of my model
can be learned with Hebbian learning. This confirms my networks
architecture.
In conclusion, my network is an encompassing model bringing together
several aspects of object detection and coding. The model reproduces
the experimental observations of border-ownership by Zhou et al. (2000).
Further, border-ownership feedback control acts fast and significantly
improves the figure-ground segregation required for the consecutive
task of object recognition.
Neuronales Netz
monograph
Visuelles System
ths
Prof.Dr.
Eckhorn
Reinhard
Eckhorn, Reinhard (Prof.Dr.)
Life sciences
Biowissenschaften, Biologie
Physik
2011-08-10
2006
https://doi.org/10.17192/z2006.0825
Sehrinde
Recurrent network
Zwickel, Timm
Zwickel
Timm
opus:1503
Fachbereich Physik
ppn:183430441
Border Ownership
Marburger Modell Neuron
Kantenzugehörigkeit
121
application/pdf
Gestalt laws
Figur-Grund-Trennung
Border ownership
Figure ground segregation
doctoralThesis
Rückgekoppletes Neuronales Netzwerk des visuellen Kortex zur Kodierung der Anwesenheit visueller Objekte
Sehobjekte
PRESERVATION_MASTER
VIEW
Image
PRESERVATION_MASTER