coding Recent site activity KANEMURA Atsunori | AIST

1

ベ 的視覚情報処理

兼村厚範

脳 視覚情報処理

  ^{眼球を通 知覚さ 視覚情報}

次 高次 領 次々 処理さ

■  ^例：網膜→LGN →V1 →V2 →V4 →IT 解剖学的知見

前

後

視覚皮質

各領 内 領 間

視覚情報 表現 処理 伝達

う 行わ い ？

3

仮説

  ^仮説：

脳 効率的 情報表現を い

  ^{統計的 情報理論的 観点}

効率的 情報表現 学習を定式化

■  Predictive coding

■  Bayesian surprise

■  3D reconstruction

初期視覚 け 情報表現

5

神経細胞

  ^{樹状突起 多数 ～ 100,000 神経細胞}

入力をうけ 軸索を通 自分 発火を出力

出典：_IPA

神経細胞 数理モ

  ^{入力　　 荷 　　 内積を閾値　　 比較}

■  ^{神経細胞 可塑性＝荷 　　 変化}

)

(

)

(

1

θ

f

θ

u

I

f

r

N

i

i

i

^{− = −}

= _∑

=

u

I

I ^{u θ}

u

I1

I2

IN

…

…

∑

u1

u2

uN ^θ

f ：非線形写像

7

マ 猿 視覚皮質

  ^{脳 後 側 V1, V2, …}

■  ^{次 領 原始的 処理}

高次 ほ 複雑 特徴を処理

■  ^{網膜：光 強さを} まま伝達

■  ^{V1：局所 ッ 等} 単純 特徴抽出

■  ^{V4：V1 広い範囲} 応答 色選択性を持

■  ^{側頭葉：顔 表情 応}

■  (Lewis & Van Essen,

2000)

受容

  ^{V1 視覚神経細胞}

提示さ 画像 視覚刺激

応答 発火

  ^{各細胞 応答 や い ン あ}

  ^{細胞 受容} (receptive fied) ^：

1. ^{細胞 応答 領域 場所} 2. ^{細胞 応答 視覚刺激}

形状 画像 ッ

V1

9

V1 ^{神経細胞 受容}

  ^{生 猿 視覚 電極を刺} 視覚刺激を見せ

神経細胞 発火を観察

  ^{細胞 く 応 ン}

＝細胞 受容 を 逆相関法 検出

  ^{V1 単純型細胞 受容}

■  ^局所的

■  ^{方 選択的}

■  ^{様々 大 さ}

出典：阪大大澤研

線形ニュ ンモ 説明

  ^{線形ニュ ンモ}

内積

受容 視覚刺激

高い発火率

い発火率

r ^{= u I}

⁻ θ

u _I

細胞 応答 _r

11

基底 線形結合 画像表現

  ^{1 枚 画像 ッ をN個 神経細胞 表現}

■  ^{各神経細胞 受容 　　 基底}

■  ^{基底　　　 線形結合 表現}

基底関数展開

)

(

)

(

1

r

u

I f r f U

N

i

i

i

⁼

= _∑

=

u1

… u2

uN

I

神経細胞

画像 ッ

… …

r1

r2

rN

…

応答

ui

} {^u_i

]

[ _{1 2 N}

U ₌ u u ! u

を並 行列

} {^u_i

PCA ^基底 V1 ^{を説明 い}

  ^{自然画像 ッ}

PCA ^基底を求

  ^{V1 細胞 受容}

う 形状

い

13

V1 ^{説明 ベ 的原理主義}

  ^{仮説：脳 効率的 情報表現を い}

  ^{多 を扱う 科学 統計学}

  ^{視覚細胞 役割を確率的 モ ン}

ベ 定理

を利用 推論を こ う

Likelihood

Prior

Posterior _{∝ ×}

Predictive Coding

Rajesh Rao U Washington

Dana Ballard

U Texas at Austin

15

方向 再帰的結合

  ^{領 同士 結合 方向的}

解剖学的知見

■  ^え

V1→V2　 　V2→V1

方向 神経接続 観察さ

  ^{同 領 内 神経細胞}

再帰的 結合 見

LGN V1 V2 V4 IT

听 叺 吠 听 吀 呆 吠 听

叺 吠 吧 吚 吆

Predictive Coding ^仮説

  ^{フ ッ ップ ウン 予測値を伝達}

■  ^{各領 領 活動 予測を計算}

  ^{フ フ ワ 予測 実際 値}

誤差を伝達

(Rao & Ballard,

Nat. Neurosci. 1999)

17

階層ネッ ワ

  ^各 PE(predictive estimator) ^層を予測

  ^{PE 受容 PE 広い}

確率モ

  ^{画像 基底関数 線形結合}

  ^{神経細胞 応答を}

ップ ウン _(td) 予測 誤差 モ ン

  ^{応答 基底 ウ 事前分布を置く}

∑

=

+

=

+

=

N

i

i

r

f

U

f

1

)

(

)

( ^{r n u n}

I

td

td

_n

r

r ^{= +}

) Gauss(0,

~ ^σ2 n

) Gauss(0,

~ ²

td ^σtd

n

) ,

0 ( Gauss

~ ),

, 0 ( Gauss

~ ^α−1 U ^λ−1

r

) ( _{h h}

td r

r ^{= f U h 層を示}

19

事後確率最大化推定

  ^{事後確率 最大 　 　を求}

(MAP)

  ^{事後確率 負 対数}

■  ^罰則項

)

(

)

1 (

)

1 (

2 td td 2

2

^{f U} _σ ^{g h U}

σ

E = _I − _r + _r − _r + _r +

∑

=

j i

Uij

λ U

h

,

) 2

∑

=

i

ri

g_(r) α ²

r ^U

ボ ム ップ誤差 罰則項

　　 い 勾配法 最適化

r ^U

ップ ウン誤差

受容 学習結果

学習 使 画像

ベ _{1 2} 受容 大 さ 画像 ッ 数 数万

ベ ₁

学習さ 受容

⇒方向選択性を持 V1 ^類似

ベ ₂

学習さ 受容

⇒ 複雑 形状

21

Endstopping ^終端抑制

  ^V1 endstopping ^挙動を示

神経細胞 あ

  Endstopping ^：

■  ^{刺激を提示} 細胞 応答

▲  ^{長さ 受容} ま

長いほ 応答 い

▲ ^{長さ 受容 を越え} 長いほ 応答 弱く

■  ^{層を抑制 見 く}

Endstopping ^{予測的説明}

  ^{層 予測 い あ ⇒ 誤差大 ⇒ 応答大}

  ^{長い 層 存在を予測}

⇒ 誤差小 ⇒ 応答小

23

Endstopping ^{応答 比較}

  ^{くあ ま}

モ 実際 神経細胞

ま

  ^{神経細胞 運ぶ情報}

受け 刺激 く

層 予測 対 誤差 あ

いう原理 基 い

V1 ^{皮質 神経細胞 挙動を再現}

■  ^{領 間 階層性を考慮 こ}

endstopping ^{説明 可能 あ}

  ^{モ 確率論的 記述さ}

事後確率最大化原理 基 推定さ