V4区形状选择性功能分工:从神经编解码到类脑视觉的启示
在灵长目视觉研究里,V4这个区域的名字出现的频率不算最高,但每一次被提起,做视觉神经科学的人都会多看两眼。它夹在V1和下颞叶皮层(IT)之间,处在视觉腹侧通路的关键中转站,专门处理中等复杂度的形状信息。早些年大家都盯着V1的朝向选择性,后来又跑去研究IT的面孔和物体识别,V4恰恰卡在中间,像一个被低估的拼图块,最近几年因为神经编解码和类脑视觉的推进,又重新被放到聚光灯下。
这篇内容想讲清楚一件事:V4区神经元在形状选择性里的“功能分工”到底怎么做。不同细胞分别负责轮廓的哪个片段?凸和凹是不是分开编码?兴奋性神经元和抑制性神经元在塑造选择性时各自扮演什么角色?围绕这些问题,我会把这套实验从刺激设计、清醒猴电生理记录,到数据分析的完整链路拆开,同时把我自己在实际操作里踩过的坑和总结的经验一并放进来。无论是做认知神经科学、计算视觉,还是琢磨神经形态计算和视觉脑机接口,这份拆解都应该能给你一些直接能用的参考。
1. 项目概述:V4区的形状选择性,为什么值得死磕
1.1 V4在视觉分层中的位置:从“粗筛”到“精读”的关键一跳
视觉信息进入大脑后,并不是一步到位“看到物体”的。它先经过视网膜、外侧膝状体(LGN),再到达初级视觉皮层V1,然后沿着两条大路往前走:一条通向后顶叶处理空间和运动,另一条走腹侧通路,一路向下颞叶(IT)延伸,专门负责“这是什么”。V4就坐在这条腹侧通路偏中段的位置,前面接着V2,后面接着PIT/TEO,再往后就是成熟的物体识别区IT。
这个位置决定了V4的尴尬和重要并存。V1的神经元主要解决小线段朝向、对比度、颜色边界这类像素级问题,本质上像一张张局部滤波器;IT的神经元则往往对完整物体、面孔、特定类别有选择性,已经到了“看一眼就知道是猫还是狗”的层级。V4夹在中间,既没有V1那么“局部”,也没有IT那么“抽象”。它做的事情,是把V1/V2送来的局部边缘信息组合成中等复杂度的形状特征——比如一段弯曲的轮廓、一个凸角、一个凹槽、一条S形的边界。
我常用一个快递分拣的类比来理解这条通路:V1是产地扫描员,只管识别包裹上的每个条码方向;V2是粗分拣员,把大小形状差不多的归到一起;V4是拆包裹的人,他打开纸箱确认里面的物品轮廓和分类;IT才是最终录入系统的投递员,直接判断“这是几号订单的东西”。没有V4这一层,后面的高精度识别就很难落地。
1.2 “形状选择性”到底在选什么
很多人以为“形状选择性”就是对某种几何图形有反应,比如喜欢圆形、喜欢三角形。但V4神经元的行为比这个细致得多。它们常常不是对“整个图形”有选择性,而是对图形轮廓上的“某一段特征”有选择性。一段轮廓曲线,往内弯还是往外弯,弯的曲率半径多大,转折发生在哪个视角位置,这些参数都能显著影响V4神经元的放电率。
一个很经典的发现是:V4神经元对轮廓的曲率变化有系统性调谐。有的细胞偏爱凸形轮廓——就是向外鼓起来的那一段;有的细胞偏爱凹形轮廓——向内收进去的那一段;还有细胞只对拐角、尖端、或者曲率从正到负的过渡区域敏感。这种选择性不是单一朝向能解释的,它更像是把形状拆成了若干“特征零件”,每个神经元负责盯住其中一个零件。
这也是为什么V4被称为“形状的中间表征”层:它既不关心整张人脸,也不满足于一条边的方向,而是在做形状要素的字典化——把这个形状拆成语素,把那个形状拆成偏旁,为下一层IT的整词识别做准备。
1.3 这个项目要回答的核心问题
把“功能分工”四个字拆开看,它至少包含三个层面。第一个层面是特征维度上的分工:谁负责曲率、谁负责朝向、谁负责凸凹极性。第二个层面是空间位置上的分工:不同神经元是否倾向于处理视野不同位置的局部轮廓,以及它们如何整合中心和外周的信息。第三个层面是细胞类型上的分工:兴奋性锥体神经元与不同亚型的抑制性中间神经元,各自在选择性形成中承担什么职责。
这三个层面叠在一起,才能解释V4到底是怎么把一团视网膜输入变成可供IT读取的特征列表。对做计算神经科学的人
相关推荐
基于Python+Open CV的手势识别算法设计
伴随着人工智能时代的到来,人机交互的领域也逐渐成为研究的一大方向;其中,手势识别是人机交互领域的一项关键技术,自此手势识别也迎来了一波高潮,近几年无论是在消费领域、电子领域、数码领域、家电领域甚至汽车领域上,都能或多或少的见到手势识别的身影。 手势识别在设计智能高效的人机界面方面具有至关重要的作用, 目前手势识别已应用到手语识别、智能监控、到虚拟现实等各个领域,手势识别的原理都是利用各种传感器(例如红外、摄像头等)对手部的形态进行捕捉并进行建模,形成一个模型信息的序列帧,而后将这些信息序列转换为机器能够识别的相对应指令(例如打开、切换菜单、移动等)来完成控制。 采用Python的集成开发环境Pycharm进行本次课程设计,在Pycharm中进行需要库(模块)的下载,调取电脑摄像头,按帧读取摄像头采集到的头像,形态学处理,图像旋转(由于摄像头采集到的图像是镜像,需要用cv2.flip将摄像头采集到的图像进行处理),选取图片中固定位置作为手势输入,用红线画出手势识别框,基于hsv的肤色检测,进行高斯滤波,找出轮廓,求出图像中手势的凹凸点,手指间角度求取。
ROS-CV-ImageConverter:将ROS图像转换为OpenCV(cv :: Mat)类型的图像
ROS-CV图像转换器 依存关系 cv_bridge(ROS软件包)
计算机视觉图像处理-CV2与图像插值算法
用最近邻插值与双线性插值原理完成图像缩放 最近邻插值,是指将目标图像中的点,对应到源图像中后,找到最相邻的整数点,作为插值后的输。缺点:使用最近邻插值算法处理图像放大时,在图象中可能出现明显的块状效应 双线性插值,在两个方向上做三次线性插值。使用双线性插值算法处理图像放大时,在图象中可能出现马赛克 代码 import cv2 img = cv2.imread(’./xiabang.jpg’, cv2.IMREAD_UNCHANGED) #缩放比例 scale_percent = 0.3 width = int(img.shape[1] * scale_percent) height = int
基于水平集CV模型的图像分割(Matlab代码)
基于水平集CV模型的图像分割(Matlab代码),全套代码
导向滤波(guide_filter)的python实现
导向滤波(guide_filter)的python实现,可以结合暗通道;理论实现比较好的图像去噪效果。

