عنوان پایان‌نامه
مدل محاسباتی سلسله مراتب طبقه بندی اشیاء در قشر بینایی مغز
- رشته تحصیلی
- علوم کامپیوتر
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه پردیس علوم شماره ثبت: 6264;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75485;کتابخانه پردیس علوم شماره ثبت: 6264;کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 75485
- تاریخ دفاع
- ۲۸ بهمن ۱۳۹۴
- دانشجو
- متین نجارآشتیانی
- استاد راهنما
- محمد گنج تابش
- چکیده
- تحول دانش ما درباره‌ی مغز و قابلیت‌های شناختی آن طی سه دهه‌ی گذشته بر بسیاری از حوزه‌های علمی دیگر تاثیر گذاشته و منجر به ظهور علوم میان رشته‌ای و فناوری‌های جدید شده است. شکل‌گیری علوم اعصاب محاسباتی یا مدل‌سازی عصبی از جمله مهم‌ترین تحولات علمی در اواخر قرن گذشته می‌باشد. تبیین فرآیندهای عصبی که زیرساخت شناخت قابلیت های پیچیده مغز هستند، امکان فهم بهتر پدیده‌های شناختی را فراهم می‌آورد. به‌علاوه، مدل‌سازی این فرآیندها به زبان ریاضی، امکان به کارگیری قابلیت‌های محاسباتی مغز در شئون مختلف زندگی را فراهم می‌آورد. علوم بینایی از شاخه‌های مهم علوم اعصاب شناختی است که به مطالعه‌ی نحوه‌ی درک بینایی و ساختار عصبی مرتبط با آن می‌پردازد. یکی از مهم‌ترین چالش‌های حوزه‌ی بینایی علوم اعصاب، چگونگی بازشناسی و طبقه‌بندی اشیاء در قشر بینایی مغز است. بازشناسی اشیا به معنای یافتن و طبقه‌بندی یک شیء در یک صحنه یا تصویر است. شناخت چگونگی تشخیص اشیاء در مغز، بسیاری از سوالات و چالش‌های مطرح در حوزه‌ی علوم شناختی و عصبی را پاسخ می‌دهد. دستگاه بینایی انسان، یک سیستم سلسله‌مراتبی است که اشیاء را در چندین مرحله پردازش و شناسایی می‌نماید. امروزه مدل‌های گوناگونی جهت پیاده‌سازی عملکرد قشر بینایی در بازشناسی اشیاء ارائه شده است. در طبقه‌بندی اشیاء، هر شیء می‌تواند بر اساس ویژگی‌های عمومی مربوط به آن در سطوح متفاوتی طبقه‌بندی شود: سطح فرانگر، سطح پایه و سطح فرونگر. مسئله‌ی اصلی، تشخیص سطح شروع بازنمایی در فرایند طبقه‌بندی اشیاء است. تا مدت‌ها تصور می‌شد که سطح پایه بر دو سطح دیگر برتری دارد و نقطه‌ی شروع بازنمایی شئ در مراحل طبقه‌بندی می‌باشد. امروزه این دیدگاه مورد چالش قرار گرفته است. در این پایان‌نامه، با توسعه‌‌ی مدل محاسباتی HMAX و انجام آزمایش‌های سایکوفیزیک، مکانیسم طبقه‌بندی اشیاء در قشر بینایی مغز را بررسی نموده‌ایم. به طور کلی، نتایجی که از چگونگی بازنمایی تصویر پس از شروع نمایش آن به دست آوردیم، نشان دادند که طبقه‌بندی در سطح فرانگر ارجحیت دارد. به‌علاوه، با توجه به تشکیل هر تصویر از اطلاعات با فرکانس فضایی مختلف، تاثیر این اطلاعات بر طبقه‌بندی اشیاء را مورد مطالعه قرار دادیم. نتایج به دست آمده نشان دادند که اطلاعات با فرکانس بالا برای طبقه‌بندی در سطح فرانگر مناسب‌اند در حالی که اطلاعات با فرکانس پایین به نفع طبقه‌بندی در سطح فرونگر می‌باشند.
- Abstract
- It is no mystery that persistent rise of our knowledge of brain in general and cognition, in specific during last three decades have influenced many fields of studies and paved the way for emergence of multiple interdisciplinary areas. Computational Neuroscience and modeling of neural systems is therefore recognized as one of the most important achievements of the last century. Understanding neural processes underlying the more sophisticated operations in brain leads to clarification of a wide range of cognitive phenomena. Moreover, this modeling in language of Mathematics has an applied angle which is reflected in various aspects of life. Visual Neuroscience is a significant branch of Neuroscience which focuses on the visual system of brain and how it shapes our perception of the outside world. A challenge of utmost importance in the field of Visual Neuroscience is to inspect how object recognition and object categorization are done in visual cortex. Object recognition is defined as the task of finding and identifying objects in a scene or an image. Any attempt to understand how object recognition is carried out in the brain, involves taking into account a range of greatest challenges in the field. Human visual system consists a hierarchical sequence of modules that take part in visual perception at different levels of abstraction. There is a taxonomy in object categorization of three levels, namely, superordinate, basic, and subordinate levels. The main question is to identify the “entry" level at which the visual representation is commenced in the process of object recognition. For a long time, it was believed that the basic level was superior to the two others and is the foregoing entry level; a claim that has been challenged nowadays. In this thesis, we inspect the object recognition mechanism of the visual cortex in the brain by developing the HMAX computational model and performing psychophysical experiments. In summary, our results, suggest that categorization in the superordinate level has advantages over two other levels. Moreover, considering that each image is composed of different spatial frequency components, the influence of those in object categorization is studied. The results suggest that high-frequency information is more suitable for categorization at superordinate level, while low-frequency information is appropriate for subordinate level categorization.Keywords: Object recognition, Object Categorization, Levels of abstraction, Visual Cortex, Computational models.
