视觉感知系统信息处理理论

《视觉感知系统信息处理理论》是2006年2月电子工业出版来自社出版的图书，作者是罗四维，本书从理论和应用的角度讨论研究神经感知和机器学习之间的关系。

• 书名 视觉感知系统信息处理理论
• 作者 罗四维 等
• ISBN 7121022672
• 页数 187
• 出版社 电子工业出版社

内容简介

　　机器学习之间的关系这种从模拟人类的神经模式出发来指导机器学习的方法，即结合神经科学的理论来探讨计算机处理信息的能力，具有重要的科学意义。作者力求向友离胡张利杀法读者展示这方面的最新研究成果和热点问题，希望读者，特别是青年读者，能来自关注那些可能对计算机科学带来突破的课题

目录

　　第1章 绪论.

　　第2章 人类视觉感知系统

　　2.1 人类视觉感知系统360百科概述

　　2.2 人类视觉感知系统的基本概念

　　2.2.1 眼优势柱、朝向柱和超柱

　　2.2.2 奇异点和旋转、旋涡结构

　　2.2.3 感受野

　　2.3 小结

　　第3章 模拟人类视觉感知机制模型的理论基础

　　3.1 有效编码假说

　　3.1.1 有效编码假说的概念

　　3.1.2 有效编码假毛准意食说的国内外研究现状

　　3.2 贝叶斯学习理论

　　3.2.1 贝叶斯概率和贝叶斯定理

　　3.2.2 贝叶斯学习的基本过程

　　3.2.3 贝叶斯方法的计算学习机制

　　3.3 人类视觉系统感知通妒密站自如制目山的外界环境及其统计教特性

　　3.3.1 自然图像

　　3.3.2 自然图像的高阶统计特性

　　3.3.3 自然图像的时空统计特性

　　.3.4 线性转换工具

　　3.4.1 主分量分析方法

　　3.4.2 独立分量分析方法

　　3.5 非兵玉空生标起态调功线性转换工具

　　3.5.1 局部线性嵌任显扬入

　　3.5.2 isomap算法

　　3.6 小结

　　第4章 基于视觉通路的模型结构

　　4.1 "感知"和"行为"的分离

　　4.2 两条视觉通路

　　4.3 what和where通路划分的生物学基础

　　4.4 rybak模型

　　4.4.1 标空所雨治间存rybak模型介绍

　　4.4.2 记忆模式中的主要记忆过程

　　4.4.3 实验结果及分析

　　4.5 小结

　　第5章 特征提取和特征选择..

　　5.1 marr的特征分析理论

　　5.1.1 神经还原论

　　5.1.2 结构分解理论

　　5.1.3 特征空间论

　　5.1.4 特征空间的近似

　　5.2 拓扑知觉理论

　　5.2.1 生物学倍死依据

　　5.2.2 gestalt知觉组织原则

　　5.2.3 拓扑特征提取Ⅰ--尺度空间

　　5.2.4 拓扑特征提取Ⅱ--mrf

　　5.3 小结

　　第6章 注意领久反屋初回剂世村单机制

　　6.1 数据驱动的注意模型

　　6.1.1 初级视觉特征提取

　　6.1.2 多特征图合并策略

　　6玉.1.3 注意焦点转移机制

　　6.2 任务驱动的注意模型

　　6.2.1 心理破得再矿福阈值函数模型

　　6.2.2 马尔可夫模型

　　6.3 注意模型应用举例

　　6.3.1 复杂自然场景中的目标搜索

　　6.3.2 图像压缩

　　6.4 小结

　　第7章 模拟人类感顾格知系统模型

　　7.1 模型概述

　　7.2 dlm人脸识别请何系统详细介绍

　　7.2.1 结构和动力学机制概述

　　7.2伤.2 blob的形成

　　7.2.3 blob的移动

　　7.2.4 图像层和模板层的交互作用与同步

　　7.2.5 连接动力学

　　7.2.6 注意动力学

　　7.2.7 识别动力学

　　7.2.8 双向连接

　　7.2.9 blob在模板域中的排清持四钟抗矿不认视列

　　7.2.10 模板层神经元输入信号的选择

　　7.3 实验

　　7.4 小结

　　第8章 自然图像的二阶统计特性

　　8.1 空间相关性与能量谱

　　8.1.1 空间相关性

　　8.1.2 自然图像的能量谱

　　8.1.3 能量谱的统计特性

　　8.1.4 能量谱与空间相关性的关系

　　8.2 时间相关性与能量谱

　　8.2.1 司坐时间相关性

　　8.2.2 自然图像序列的能量谱

　　8.3 时空相关性的去除

　　8.3.1 无噪声的情形

　　8.3.2 带噪余处究基磁考赶界兴论声的情形

　　8.4 东飞液切跟小结

　　第9章 自然图像的高阶统计特性

　　9.1 非高斯性

　　9.2 稀疏性

　　9.3 稀疏编码

　　9.3.1 稀疏编码模型

　　9.3.2 统计理论背景

　　9.3.3 学习规则

　　9.3.4 学习结果

　　9.4 自然图像序列的稀疏编码方法

　　9.4.1 学习规则

　　9.4.2 学习结果

　　9.5 小结