计算机视觉效果 计算机视觉效果焦李成

引言

1.已发现许多自然信号在适当的变换下呈现稀疏性(即大多数变换系数为零或接近于零,仅有少数的变换系数不为零).
2.验证了自然图像经过稀疏编码后,学习得到的基函数可以近似描述V1 区上简单细胞的感受野的响应特性。
3.本文：借鉴生物视觉的稀疏认知机理,学习并完成该机理的数学建模,进而通过得到的稀疏认知计算模型实现目标(如自然图像等)的识别.

生物视觉稀疏认知机理的研究进展

生物视觉稀疏认知机理的生理实验依据

实验结论：: 具有相同的轮廓与形状但细节不同的视觉刺激,所引起

V1 区的活性模式是相似的,即具有近似不变性。

本质：这是生物视觉皮层整合整体特征的体现,即V1 区对图像整体特征的同步化响应以及高级皮层区形状感知对V1 区反馈的协同作用;同时也是神

经稀疏编码的体现。

图1 腹侧视觉通路的层次结构及其处理特点

层次越高则感受野越大,即信息处理是从局部到更大的区域

生物视觉稀疏认知机理的研究目的

利用生物视觉生理研究所获得的实验数据及合理的视觉皮层稀疏性假设,可以建立相应的计算模型并借助计算机来验证科学家们对生物视觉稀疏认知机理的理解是否正确。

生物视觉稀疏认知机理的研究进展

视觉皮层对外界场景的刺激响应采用的是稀疏编码策略。

基于生物视觉稀疏认知机理的学习与建模

V1区简单细胞的稀疏性学习与建模

输入自然图像，学习基函数和编码系数。基函数能够近似反映V1区简单细胞的感受野特性。

带通：多分辨特性，对自然图像从粗分辨率到细分辨率进行连续逼近。

方向：基函数具有各向异性的特点

局部化：基函数时频局部化分析

V1区复杂细胞的稀疏性学习与建模

复杂细胞的感受野具有局部的平移不变性.

腹侧视觉通路的稀疏性学习与建模

S 单元主要用于增加目标的选择特性,C 单元通过局部最大汇聚操

作来增加对目标变换不变性的刻画.该模型的优点是,与腹侧视觉通路的机理大体上是一致的.缺点是丢失了空间位置信息,所以对目标不能实现精准

定位,并且完成信息处理的计算量偏大.