第1章 绪论 1
目录 1
第2章 人类视觉感知系统 7
2.1 人类视觉感知系统概述 7
2.2 人类视觉感知系统的基本概念 9
2.2.1 眼优势柱、朝向柱和超柱 9
2.2.2 奇异点和旋转、旋涡结构 10
2.2.3 感受野 11
2.3 小结 15
3.1 有效编码假说 17
3.1.1 有效编码假说的概念 17
第3章 模拟人类视觉感知机制模型的理论基础 17
3.1.2 有效编码假说的国内外研究现状 18
3.2 贝叶斯学习理论 20
3.2.1 贝叶斯概率和贝叶斯定理 21
3.2.2 贝叶斯学习的基本过程 21
3.2.3 贝叶斯方法的计算学习机制 22
3.3 人类视觉系统感知的外界环境及其统计特性 24
3.3.1 自然图像 25
3.3.2 自然图像的高阶统计特性 25
3.3.3 自然图像的时空统计特性 27
3.4 线性转换工具 28
3.4.1 主分量分析方法 28
3.4.2 独立分量分析方法 31
3.5.1 局部线性嵌入 37
3.5 非线性转换工具 37
3.5.2 Isomap算法 43
3.6 小结 47
第4章 基于视觉通路的模型结构 53
4.1 “感知”和“行为”的分离 53
4.2 两条视觉通路 55
4.3 what和where通路划分的生物学基础 56
4.4 Rybak模型 57
4.4.1 Rybak模型介绍 60
4.4.2 记忆模式中的主要记忆过程 63
4.4.3 实验结果及分析 73
4.5 小结 75
第5章 特征提取和特征选择 79
5.1 Marr的特征分析理论 80
5.1.1 神经还原论 81
5.1.2 结构分解理论 83
5.1.3 特征空间论 85
5.1.4 特征空间的近似 92
5.2 拓扑知觉理论 93
5.2.1 生物学依据 94
5.2.2 Gestalt知觉组织原则 94
5.2.3 拓扑特征提取Ⅰ——尺度空间 97
5.2.4 拓扑特征提取Ⅱ——MRF 101
5.3 小结 104
第6章 注意机制 109
6.1.1 初级视觉特征提取 110
6.1 数据驱动的注意模型 110
6.1.2 多特征图合并策略 113
6.1.3 注意焦点转移机制 118
6.2 任务驱动的注意模型 121
6.2.1 心理阈值函数模型 122
6.2.2 马尔可夫模型 123
6.3 注意模型应用举例 126
6.3.1 复杂自然场景中的目标搜索 126
6.3.2 图像压缩 128
6.4 小结 131
第7章 模拟人类感知系统模型 134
7.1 模型概述 134
7.2.1 结构和动力学机制概述 136
7.2 DLM人脸识别系统详细介绍 136
7.2.2 blob的形成 140
7.2.3 blob的移动 141
7.2.4 图像层和模板层的交互作用与同步 142
7.2.5 连接动力学 144
7.2.6 注意动力学 145
7.2.7 识别动力学 147
7.2.8 双向连接 148
7.2.9 blob在模板域中的排列 148
7.2.10 模板层神经元输入信号的选择 149
7.3 实验 149
7.4 小结 153
8.1.1 空间相关性 155
第8章 自然图像的二阶统计特性 155
8.1 空间相关性与能量谱 155
8.1.2 自然图像的能量谱 156
8.1.3 能量谱的统计特性 158
8.1.4 能量谱与空间相关性的关系 161
8.2 时间相关性与能量谱 161
8.2.1 时间相关性 161
8.2.2 自然图像序列的能量谱 162
8.3 时空相关性的去除 167
8.3.1 无噪声的情形 167
8.3.2 带噪声的情形 169
8.4 小结 171
9.1 非高斯性 172
第9章 自然图像的高阶统计特性 172
9.2 稀疏性 174
9.3 稀疏编码 175
9.3.1 稀疏编码模型 175
9.3.2 统计理论背景 176
9.3.3 学习规则 178
9.3.4 学习结果 180
9.4 自然图像序列的稀疏编码方法 182
9.4.1 学习规则 182
9.4.2 学习结果 184
9.5 小结 185