掃一掃
關注中圖網
官方微博
本類五星書更多>
-
>
全國計算機等級考試最新真考題庫模擬考場及詳解·二級MSOffice高級應用
-
>
決戰行測5000題(言語理解與表達)
-
>
軟件性能測試.分析與調優實踐之路
-
>
第一行代碼Android
-
>
JAVA持續交付
-
>
EXCEL最強教科書(完全版)(全彩印刷)
-
>
深度學習
類腦計算 版權信息
- ISBN：9787030718938
- 條形碼：9787030718938 ; 978-7-03-071893-8
- 裝幀：一般膠版紙
- 冊數：暫無
- 重量：暫無
- 所屬分類：>
類腦計算 本書特色
適讀人群 ：從事人工智能、神經計算、類腦計算、神經信息加工、神經編碼研究的人員作者從認知科學和人工智能這個交叉視角來研究認知行為(如感知、聯想、記憶等)基于神經生物約束的算法模型。本書是作者及其研究團隊多年的科研成果，內容詳實，圖文并茂，可讀性強。
類腦計算 內容簡介
本書從多學科交叉的角度將神經生物學在視覺神經機制、神經元信號加工與編碼方面的解剖學與電生理學發現和認知心理學關于知覺信息加工、工作記憶等方面的實驗結論，與人工智能中關于圖像理解與人工神經元網絡模型結合起來，設計能夠模擬視網膜、初級視皮層和不錯視皮層部分圖像信息加工功能，以及模擬神經編碼微回路的數據結構和層次網絡計算模型，并用計算機視覺或圖像理解領域常用的測試數據集來驗證這些網絡計算模型的效能.這些深入考慮了神經生物學基本機制與約束的計算模型，一方面能夠在工程方面為圖像理解或信息保持提供不同于傳統方法的新解決方案，另一方面也為神經科學研究提供了探索神經信號加工內在機理的仿真平臺.這些以信息加工神經生理機制和認知心理機制為基本出發點的計算建模研究為人工智能關于表征、神經計算新模型、基于結構的學習模型、不同于經典圖靈機模型的新計算架構開拓了思路。 本書適合從事人工智能、神經計算、類腦計算、神經信息加工、神經編碼研究的人員閱讀。
類腦計算 目錄
目錄
前言
第1章 什么是類腦計算 1
1.1 類腦計算的非正式說明 1
1.2 類腦計算助力工程問題 2
1.3 類腦計算助力神經科學研究 6
1.4 類腦計算與人工智能 10
參考文獻 11
第2章 基于多尺度感受野的警覺保持計算模型 12
2.1 人類視覺系統 12
2.1.1 眼睛的構造 12
2.1.2 視網膜的結構與功能 13
2.1.3 視網膜|外膝體|視皮層通路的定量分析 16
2.1.4 視覺的空間辨別 19
2.1.5 視神經通路 20
2.1.6 感受野的研究 23
2.1.7 視覺信息處理機制給計算機視覺的啟示 26
2.2 DOG模型 27
2.2.1 DOG模型概述 27
2.2.2 on事件與off事件的定義及檢測規則 28
2.2.3 參數選取及閾值界定 31
2.3 警覺保持計算模型 38
2.3.1 逐級加工的層次網絡模型 38
2.3.2 多尺度感受野的設計算法 40
2.3.3 擬神經節單元生成算法 42
2.3.4 感受野覆蓋特性研究 42
2.3.5 警覺保持算法 46
2.4 仿真實驗 47
2.4.1 實驗參數的設定 47
2.4.2 實驗結果 49
參考文獻 54
第3章 生物視網膜早期機制的模擬與性能平衡 55
3.1 生物視網膜結構模型 55
3.1.1 眼睛的結構與視覺成像原理 55
3.1.2 生物視網膜層次網絡結構 56
3.1.3 生物視網膜信息處理的概要性流程 58
3.1.4 生物視網膜信息處理過程中值得研究的幾個重要問題 59
3.2 早期視覺模型分類與分析 60
3.2.1 早期視覺模型分類 60
3.2.2 “黑匣子”算法模型 61
3.2.3 簡單生理擬合模型 61
3.2.4 復雜生理擬合模型 63
3.3 早期視覺機制的模擬 65
3.3.1 模擬視網膜結構的計算模型 65
3.3.2 視網膜神經節細胞感受野分布模型 70
3.3.3 光感受器細胞的算法模型 72
3.3.4 神經節細胞的算法模型 74
3.4 計算模型的實現與實驗分析 75
3.4.1 模型的實現 75
3.4.2 真實圖片實驗結果與分析 75
參考文獻 85
第4章 視網膜仿真及其感知效能分析 87
4.1 視網膜各層結構在信息處理中的作用 87
4.2 視網膜中的垂直并行通路結構簡介 88
4.2.1 視錐細胞通路與視桿細胞通路 88
4.2.2 ON與OFF通路 88
4.2.3 顏色、亮度、運動等功能性并行通路 89
4.2.4 視網膜各并行通路在信息處理中的作用 90
4.3 視網膜模型設計與實現 91
4.3.1 視網膜模型的整體模式圖 91
4.3.2 光感受器層的模擬 92
4.3.3 水平細胞層和雙極細胞層的模擬 98
4.3.4 無長足細胞層的模擬 101
4.3.5 神經節細胞層的模擬 102
4.4 實驗系統設計與分析 104
4.4.1 視網膜網絡模型的基本結構驗證實驗 104
4.4.2 視網膜網絡模型的刺激探測效果及物體表征效果實驗 109
4.4.3 視網膜神經節細胞感受野對視網膜性能的影響分析 115
參考文獻 117
第5章 基于視網膜的圖像局部朝向刺激表征模型 119
5.1 視覺計算模型 119
5.1.1 數字圖像的表征 120
5.1.2 “像素無關”的采樣策略 122
5.1.3 非均勻密度分布細胞的生成 123
5.1.4 視覺計算模型的逐層構建 125
5.1.5 視覺計算模型的平行通路 130
5.1.6 圖像表征與重構 134
5.1.7 本節小結 134
5.2 視覺計算模型的圖像表征實驗 135
5.2.1 圖像復雜度的概念 135
5.2.2 邊界直線段的檢測實驗 137
5.2.3 圖像的\解構“與\重構”實驗 139
5.2.4 本節小結 141
5.3 視覺計算模型的效能分析 141
5.3.1 確定視覺計算模型各層計算單元的位置 142
5.3.2 由類神經節細胞的空間位置產生的幾何約束 143
5.3.3 視覺計算模型的效能平衡點 150
5.3.4 本節小結 152
參考文獻 152
第6章 顏色拮抗機制的計算模型 153
6.1 顏色拮抗機制 153
6.2 一種基于非經典感受野的模型 156
6.2.1 模型設計 156
6.2.2 實驗 164
6.2.3 本節小結 166
6.3 一種基于神經節細胞經典感受野拮抗機制的圖像表征模型 167
6.3.1 模型設計 167
6.3.2 實驗 175
6.3.3 本節小結 181
參考文獻 182
第7章 初級視皮層計算模型構建及其高階功能探索 183
7.1 計算模型設計與實現 183
7.1.1 早期視覺系統模型 183
7.1.2 視網膜、外膝體層的模擬 184
7.1.3 方位柱的模擬實現 186
7.1.4 顏色通道的模擬實現 188
7.2 實驗系統設計與分析 191
7.2.1 計算模型的設計驗證 191
7.2.2 過程與結果的驗證 194
7.2.3 高階功能探索實驗 200
參考文獻 203
第8章 基于非經典感受野機制的計算模型 204
8.1 非經典感受野機制 204
8.1.1 經典感受野的生理學研究 204
8.1.2 非經典感受野的生理學研究 207
8.1.3 視網膜神經節細胞的非經典感受野神經機制 209
8.1.4 視網膜的逆向調控機制 209
8.1.5 固視微動 210
8.1.6 對非經典感受野已有工作的總結 211
8.2 三層網絡模型 212
8.2.1 模型設計 213
8.2.2 實驗結果 215
8.2.3 本節小結 218
8.3 多層次網絡計算模型設計 218
8.3.1 計算回路設計 219
8.3.2 層次網絡模型設計 221
8.3.3 GC感受野的數學模型 222
8.3.4 參數設置 223
8.3.5 動態感受野設計 229
8.4 圖像表征的相關實驗 231
8.4.1 一致性實驗 231
8.4.2 簡潔性實驗 232
8.4.3 忠實性實驗 236
8.5 通用表征對圖像理解的促進實驗 242
8.5.1 聚類促進實驗 243
8.5.2 分割促進實驗 244
8.5.3 輪廓擬合實驗 247
參考文獻 253
第9章 朝向選擇性模型及其應用 257
9.1 模型生理基礎 257
9.1.1 初級視覺通路 258
9.1.2 神經節及外膝體細胞的感受野 259
9.1.3 簡單細胞的感受野 262
9.2 LGN細胞對刺激的響應模型 265
9.2.1 與對比度無關的響應 265
9.2.2 響應函數及其性質 268
9.2.3 響應曲線 271
9.3 簡單細胞的方向計算模型 272
9.3.1 基本*小二乘模型 273
9.3.2 非線性優化模型 274
9.3.3 模型求解及解的性質 276
9.3.4 誤差分析 279
9.3.5 改進的非線性加權模型 280
9.3.6 理想Hubel-Wiesel條件下方向不唯一性 282
9.4 實驗及分析 283
9.4.1 方向檢測方法 283
9.4.2 模型的選擇 284
9.4.3 參數的確定 285
9.4.4 簡單細胞感受野的模擬 287
9.4.5 刺激復雜度與計算誤差 288
9.5 模型應用一：圖像的方向檢測 289
9.5.1 檢測方法 289
9.5.2 形狀圖像 292
9.5.3 自然圖像 292
9.5.4 對更高層處理的增強 302
9.6 模型應用二：視錯覺的幾何解釋 305
9.6.1 干擾導致計算偏差 305
9.6.2 錯覺的解釋 306
9.7 模型應用三：平面的朝向分析 312
9.7.1 三維圖像信息獲取 312
9.7.2 成像模型 313
9.7.3 基本圖形的三維信息 316
9.7.4 場景綜合特征分析 322
9.7.5 實驗 324
參考文獻 328
第10章 基于非經典感受野的圖像表征模型 336
10.1 非經典感受野機制 336
10.1.1 經典感受野 336
10.1.2 非經典感受野 339
10.1.3 視網膜神經節細胞的功能模型 341
10.1.4 非經典感受野和一些心理學實驗現象的關系 342
10.1.5 經典感受野和非經典感受野的動態特征 343
10.2 視網膜神經節細胞的建！344
10.2.1 神經節細胞非經典感受野作為圖像表征的載體 344
10.2.2 神經節細胞感受野的數學模型 346
10.2.3 將RGB顏色值轉換為類波長單值 348
10.2.4 神經節細胞計算模型的設計 350
10.3 神經節細胞感受野陣對圖像的表征 360
10.3.1 從GC輸出圖像中進行圖像重構 360
10.3.2 感受野與圖像統計特征的關聯性驗證實驗 362
10.3.3 感受野與多分辨率分析 367
10.3.4 感受野也是一種超像素 372
10.4 基于非經典感受野的表征對圖像后期加工的促進作用 375
10.4.1 對特征配準的提升作用 375
10.4.2 對圖像分割的提升作用 377
10.5 利用非經典感受野的表征實現圖像多尺度融合輪廓檢測 383
10.5.1 非經典感受野表征圖像 383
10.5.2 算法設計 386
10.5.3 利用神經節細胞感受野尺寸變化得到多尺度信息 387
10.5.4 感受野響應值的計算 388
10.5.5 抑制區模型和去抑制區模型的數學模擬 389
10.5.6 實驗結果 391
10.5.7 算法的性能評估 395
參考文獻 403
第11章 基于視皮層超柱結構的圖像表征方法及其在形狀識別中的應用 412
11.1 構建模擬初級視皮層V1區的神經網絡 412
11.1.1 SOM神經網絡的特性、結構與一般訓練過程 412
11.1.2 基于SOM神經網絡的模擬初級視皮層的V-SOM神經網絡設計 414
11.1.3 V-SOM網絡模擬皮層結果與真實生理數據對比實驗 41
展開全部
類腦計算 節選
第1章什么是類腦計算 隨著神經生物學研究中實驗手段的不斷進步，科學家對神經系統結構與功能的認識也在不斷深入。由于神經系統是主導智慧的根本物質基礎，因此這些基礎研究的進步自然會帶動其他應用學科的發展。一個*直接的啟示就是神經生物學發現對人工智能研究有什么直接的推動嗎？畢竟人工智能*根本的目標就是想讓機器能夠像大腦一樣聰明地工作。這就是類腦計算，一個不太新，但又被不斷刷新的領域。 1.1類腦計算的非正式說明 顧名思義，類腦計算就是"要像大腦那樣進行計算"。大腦作為目前自然界已知的，在問題求解、推理、決策、理解、學習等智能行為方面*為高效、*為優異的生物進化產物，它的運行機制對研究自動化、計算機的群體而言充滿了吸引力，因為我們從一開始就稱呼計算機為電腦？梢，從心底里我們是希望計算機能夠像大腦那樣工作。基于此種初衷，研究人員會非常自然地去模仿大腦的運行原理，無論是從功能層面，還是從結構層面。若我們給類腦計算下一個較為嚴格的定義，那么它就是一種模仿神經生理學和生理心理學機制為某種智能應用設計實現方法的研究。它應該是人工智能研究的一個子集，針對的是智能仿真問題或應用，面向屬于計算機科學、自動化或控制論范疇的算法設計和系統實現問題。在人工智能發展史中，連接主義學派所走的研究路線就屬于類腦計算，那些人工神經元網絡模型，如典型的多層感知機模型、自組織特征映射模型、聯想記憶模型等就是典型代表。當下機器學習研究領域炙手可熱的深度學習模型可視為此領域的*新發展。 與大腦研究相關的當前還有兩個研究分支：一個是基于腦電信號的腦機接口；另一個是腦信息學。這兩個研究分支雖然也關系到大腦，但它們不屬于類腦計算的范疇。原因有兩個。 **，研究目標不同。例如，腦連接組計針對的是神經科學范疇的問題，不是計算科學范疇的問題。而類腦計算針對的是算法和自動化系統實現問題。 第二，研究方法不同。腦機接口和腦信息學通常采用來自計算機科學領域的機器學習或數據挖掘算法，是對取自大腦的數據施加現成的方法，這些方法本身不是研究對象，只是可供選擇的多種手段之一。而類腦計算所采用的方法就是模仿大腦機制，其前提是弄清楚神經科學范疇的原理性問題，它通常不是計算機科學領域現成可用的方法。用一句流行語來歸納它們的不同之處就是：腦信息學是從事計算的人跨界到生物學領域，用計算機方法解決生物學領域的問題；而類腦計算是從事計算的人跨界到生物學領域，用生物學啟示來解決計算機領域的問題。簡而言之，它們的區別就是：跨出界了，還走回來嗎？前者類似于做歌唱界跑得*快的人，而后者是做歌唱界歌唱得*好的人。 1.2類腦計算助力工程問題 在人工智能領域有很多挑戰性很高的工程問題，例如計算機視覺或圖像理解。我們通過始自眼睛的視覺神經系統感知到外界超過70％的信息，而且我們還覺得這是不費吹灰之力就能做好的，哪會復雜呢？但一旦當我們需要用計算機來處理圖像信息，分析圖像的意義時，視覺信息加工的巨大復雜性就如同隱藏在水面下的冰山那樣浮現出來，我們意識到了所謂"大頭在下面"，F代圖像理解或計算機視覺系統對它們能夠達到的性能和所付出的時間和硬件代價而言完全不成比例，效能很低。既然生物視覺系統性能很好，那么我們能不能模仿一種或幾種神經生物學關于視覺神經機制的發現來優化計算效能呢？ 例如，在高等哺乳動物的視網膜中，有一種神經節細胞，它是視網膜信息處理的*后一站，也是此階段*重要的一站。視網膜神經節具有同心圓拮抗式的經典感受野，其空間整合特性是處理圖像區域亮度對比信息、提取圖像的邊緣信息，但高等動物極其復雜的視覺系統對圖像信息的處理絕不僅限于邊緣增強，它應該在邊緣處理的基礎上，盡可能完整地把圖像信息傳遞給大腦。非經典感受野是在經典感受野之外的一個大范圍區域，單獨刺激該區域并不能直接引起細胞的反應，但對經典感受野內刺激所引起的反應有調制作用。視網膜神經節細胞的非經典感受野主要是去抑制性的，因此可以在一定程度上補償由經典感受野所造成的低空間頻率信息的損失，在保持邊界增強功能的同時，傳遞圖像的區域亮度梯度信息，顯示大面積表面上亮度的緩慢變化。由此可見，非經典感受野大大拓寬了視覺細胞信息處理的范圍，為整合和檢測大范圍的復雜圖形提供了神經基礎。研究發現，視網膜神經節細胞的感受野隨著視覺刺激的不同而發生變化，而以往對視網膜神經節細胞非經典感受野的建模大多基于固定不變的感受野，都沒有考慮感受野的動態變化特性。那么，我們可以為視網膜神經節細胞非經典感受野的基本結構建立了多層次、帶反饋的神經計算模型，并用這樣的模型來表征圖像。 圖1-1就是基于上述原理進行的圖像表征實驗。通常在計算機里用像素的組合表征圖像，但所需像素陣列很大，給圖像理解帶來了壓力。圖中每組同心圓都是一個具有前述非經典感受野模式的計算單元，它能夠根據所覆蓋范圍內圖像的均一程度進行擴大或縮小。若整個范圍內圖像內容很均勻，那么只要表征這個平均信息就可以了。若整個范圍內圖像內容的差異度很大，說明單靠這個單元不足以精確表示它，它就縮小所管轄的范圍，直到縮小后的范圍內信息足夠均一化為止。因此，我們可以看到很多組同心圓或是擴大或是縮小其范圍，以達到在所涵蓋信息均一化前提下使得覆蓋范圍*大。那些實線就是*終的范圍，虛線是若干中間環節的結果。在這一原理下，我們就能夠獲得一個既不需要太多計算單元，又具有足夠精細度的圖像表征。這能夠易化后續的圖像理解加工。 再比如，我們的顏色知覺是一種主觀的感覺，外部的物理世界上本無顏色，所謂顏色是我們的主觀感受。至于大腦怎樣將這些不同波長光刺激引起的神經元響應整合成一種心理上可清晰分辨的感覺，目前還是未知的。可見光刺激視網膜中的光感受器，它們是視桿細胞和三種色視錐細胞（藍色視錐細胞、綠色視錐細胞和紅色視錐細胞），其中視錐細胞對光的波長相對吸收程度不同，這就是產生顏色感知的**步。前述神經節細胞的感受野是由兩組不同種類的視錐細胞組成的，神經生物學家們稱之為相互拮抗的機制。也就是對兩種不同顏色敏感的細胞輸出給神經節細胞的貢獻是對立的，一種令其興奮，那么另一種就令其抑制。如圖1-2所示：其中S表示藍色視錐，它對波長較短的光的刺激敏感；M表示綠色視錐，和藍色視錐相比，它對波長中等的光的刺激更為敏感；L表示紅色視錐，它對波長較長的光的刺激響應*大。B表示Blue，即藍色成分；Y表示Yellow，即黃色成分；R表示Red，即紅色成分，G表示Green，即綠色成分。 從視網膜一直到大腦皮層，拮抗的空間構型有很多。*簡單的為神經節細胞感受野的中心區只接收一種視錐細胞的輸入，如紅色視錐、綠色視錐和藍色視錐中的一種，拮抗的感受野外周區則是接收另一種對立視錐的輸入。所以這里的拮抗主要分為兩類，一類負責處理紅－綠之間的顏色差異，一類負責處理藍－黃之間的顏色差異，如圖1-3所示，它們的感受野中心區分別為紅色分量、綠色分量、藍色分量和黃色分量。所以這里有四種感受野，它們分別是：紅綠拮抗感受野，包括（紅中心區vs綠外周區）感受野和（綠中心區vs紅外周區）感受野；藍黃拮抗感受野，包括（黃中心區vs藍外周區）感受野和（藍中心區vs黃外周區）感受野。 當人的視覺系統感知處理顏色信號時，這4種拮抗的感受野均有機會起作用，每種視錐都有自己*敏感的顏色波長范圍，對于它們較敏感的波長刺激，它們的響應會比較大；诖，我們就可以設計一個模擬這種顏色拮抗機制的計算模型來處理顏色圖像，如圖1-4所示，圖1-4（a）表達的是用一個上層的計算單元GC，即對生物視網膜神經節細胞的模擬單元，它接受紅中心區的正輸入，同時接收綠外周區的負輸入，這樣當這個區域只是中心有紅色時GC的輸出達到*大，或者當這個區域只有外周有綠色時GC的輸出將達到*小。這樣一來GC的輸出值就能用來表達某個區域的顏色刺激的狀況。類似地，圖1-4（b）表達的是綠中心{紅外周區感受野的計算單元，圖1-4（c）表達的是黃中心區{藍外周區感受野的計算單元，圖1-4（d）表達的是藍中心區{黃外周區感受野的計算單元。 圖1-5**行左邊是一只隱藏在草叢中的翠鳥，它的羽毛與背景顏色非常相似，因此，一般來說是很難發現的。我們使用上述計算模型對原始圖像進行處理，得到的上層計算單元輸出值用過濾器篩選一下就能得到圖1-5**行右邊的結果，那只翠鳥的主體輪廓被清晰地分割出來了。類似地，圖1-5第二行的左邊是隱藏在沙漠中的蛇，它的保護色也能與環境融合得很好，但經過處理圖像的主體還是被分割出來了，這就極大地方便了后續物體識別的加工。 1.3類腦計算助力神經科學研究 類腦計算不但能夠以算法啟迪的方式來促進工程應用，也能以假設驗證的方式來促進神經科學的研究
類腦計算 作者簡介
危輝，復旦大學計算機科學技術學院教授，博士生導師。1998年7月畢業于北京航空航天大學計算機科學系，先后師從導師懷進鵬院士和何新貴院士，獲計算機科學理論與軟件專業工學博士學位。同年9月進入浙江大學計算機科學系人工智能研究所，師從我國著名人工智能專家潘云鶴院士進行為期兩年的博士后研究工作。2000年11月期滿出站后進入復旦大學計算機科學技術系從事教學與科研工作。2000年10月在浙江大學晉升為副教授，2005年4月在復旦大學晉升為教授。自1993年起從事非單調邏輯與不確定性推理研究，1995年后受認知心理學啟發從事人工智能與認知科學或說基于認知科學背景的人工智能研究，致力于基于神經生物學和認知心理學機制的神經視覺算法模型和神經編碼機制研究，以及基于認知機制約束的人工智能基礎范型研究，是國內最早獨立開展且持續不間斷開展類腦計算研究的小組之一，包括視覺神經計算模型和脈沖神經元回路結構與編碼機制研究。主持或作為主要成員參與的研究課題有973計劃課題、973前期專項、國防973課題專題、國家自然科學基金、國家自然科學基金重點、國家自然科學基金重大研究計劃課題、國防預研課題、上海市科委重大專項、上海市青年科技啟明星計劃課題等。作為第一作者或通信作者在IEEE Transactions系列、Elsevier系列、Springer系列等國際學術期刊上發表完全由國內獨立完成的計算機科學領域SCI論文60余篇，出版學術專著《人工智能形式概念系統》和《認知相關性與智能模型構造的系統觀點》。自2001年起承擔復旦大學本科和研究生的教學工作，到目前為止按時間順序獨立講授離散數學2學期、高等數理邏輯4學期、人工智能與認知科學5學期、人工智能或高級人工智能55學期/次、從計算到智能20學期、認知科學導論10學期。
書友推薦
- >
【精裝繪本】畫給孩子的中國神話
- >
二體千字文
- >
山海經
- >
伊索寓言-世界文學名著典藏-全譯本
- >
伯納黛特,你要去哪(2021新版)
- >
詩經-先民的歌唱
- >
姑媽的寶刀
- >
大紅狗在馬戲團-大紅狗克里弗-助人
本類暢銷
