I ricercatori marroni capiscono i meccanismi neurali dietro i fenomeni contestuali

È quel cerchio verde o gray? Sono le linee centrali diritto o inclinato?

Le illusioni ottiche possono essere divertimento da sperimentare e dibattito, ma capire come i cervelli umani percepiscono questi fenomeni differenti rimane un campo di ricerca scientifica attivo. Per una classe di illusioni ottiche, chiamata fenomeni contestuali, quelle percezioni sono conosciute per dipendere dal contesto. Per esempio, il colore pensate che un cerchio centrale sia dipenda dal colore dell'anello circostante. A volte il colore che esterno fa il colore interno sembrare più simile, quale un anello verde vicino che fa un anello blu compare turchese -- ma a volte il colore esterno fa il colore interno sembrare meno simile, quale un anello rosa che fa un cerchio grigio sembra verdastro.

Un gruppo degli esperti in dispositivo ottico del computer di Brown University è ritornato per quadrare uno per capire i meccanismi neurali di questi fenomeni contestuali. Il loro studio è stato pubblicato il 20 settembre nell'esame psicologico.

“Sta coltivando il consenso che le illusioni ottiche sono un errore non ma una funzionalità,„ ha detto Thomas Serre, un professore associato delle scienze conoscitive, linguistiche e psicologiche a Brown ed all'autore senior del documento. “Penso che siano una funzionalità. Possono rappresentare i casi della barriera per il nostro sistema visivo, ma la nostra visione è così potente nella vita quotidiana e nel riconoscimento degli oggetti.„

Per lo studio, il cavo del gruppo da Serre, che è affiliato con l'istituto del Carney di Brown per scienza di cervello, ha cominciato con un modello di calcolo costretto dai dati anatomici e neurofisiologici della corteccia visiva. Il modello ha mirato a catturare come i neuroni corticali vicini inviano l'un l'altro i messaggi e regola le risposte l'un l'altro una volta presentato con gli stimoli complessi quali le illusioni ottiche contestuali.

Un'innovazione il gruppo incluso nel loro modello era un reticolo specifico delle connessioni di feedback supposte fra i neuroni, ha detto Serre. Queste connessioni di feedback possono aumentare o diminuire -- ecciti o inibisca -- la risposta di un neurone centrale, secondo il contesto visivo.

Queste connessioni di feedback non sono assenti nella maggior parte dei algoritmi di apprendimento profondi. In profondità imparare è un genere potente di intelligenza artificiale che può imparare i reticoli complessi nei dati, come il riconoscimento delle immagini ed analisi del discorso normale e dipende dai livelli multipli di reti neurali artificiali che lavorano insieme. Tuttavia, la maggior parte dei algoritmi di apprendimento profondi comprendono soltanto le connessioni di reazione fra i livelli, non connessioni di feedback innovarici di Serre fra i neuroni all'interno di un livello.

Una volta che il modello fosse costruito, il gruppo gli ha presentato varie illusioni contesto-dipendenti. I ricercatori “hanno sintonizzato„ la resistenza delle connessioni eccitanti o inibitorie di feedback in modo che i neuroni di modello rispondessero in un modo coerente con i dati di neurofisiologia dalla corteccia visiva del primate.

Poi hanno verificato il modello su varie illusioni contestuali ed ancora che hanno trovato che il modello ha percepito le illusioni come gli esseri umani.

per provare se rendessero il modello inutilmente complesso, essi lesi il modello -- selettivamente eliminare alcune delle connessioni. Quando il modello stava mancando alcune delle connessioni, i dati non hanno abbinato i dati di percezione umana come esattamente.

“Il nostro modello è il modello più semplice che sia sia necessario che sufficiente per spiegare il comportamento della corteccia visiva riguardo alle illusioni contestuali,„ Serre ha detto. “Questa era realmente attività di calcolo della neuroscienza del manuale -- abbiamo cominciato con un modello spiegare i dati di neurofisiologia ed abbiamo cessato con le previsioni per i dati umani della psicofisica.„

Oltre a fornire una spiegazione dell'unificazione per come gli esseri umani vedono la classe A di illusioni ottiche, Serre sta costruendo su questo modello con lo scopo del miglioramento della visione artificiale.

Gli algoritmi artificiali avanzati della visione, come quelli usati per etichettare le fronti di taglio o riconoscere i fanali di arresto, hanno difficoltà vedere il contesto, lui hanno notato. Comprendendo le connessioni orizzontali sintonizzate dalle illusioni ottiche contesto-dipendenti, spera di indirizzare questa debolezza.

I programmi di apprendimento profondi forse visivi che catturano il contesto in considerazione saranno più duri da imbrogliare. Un determinato autoadesivo, una volta attaccato su un fanale di arresto può ingannare un sistema artificiale della visione nel pensiero è un segno limite di velocità di 65 migli orari, che è pericoloso, Serre ha detto.

Sorgente: https://news.brown.edu/articles/2018/09/illusions