عنوان پایان‌نامه
بازنمایی اطلاعات در قشر گیجگاهی خلفی میمون
- رشته تحصیلی
- مهندسی برق-کنترل
- مقطع تحصیلی
- کارشناسی ارشد
- محل دفاع
- کتابخانه مرکزی -تالار اطلاع رسانی شماره ثبت: 45057;کتابخانه مرکزی پردیس 2 فنی شماره ثبت: E 1734
- تاریخ دفاع
- ۲۷ تیر ۱۳۸۹
- دانشجو
- پیام پیرای
- استاد راهنما
- مجید نیلی احمدآبادی, بابک نجاراعرابی
- چکیده
- قشر خلفی گیجگاهی، آخرین ناحیه در مسیر شکمی بینایی است که تنها اطلاعات بینایی را تحلیل می‌کند. مطالعات بسیاری نشان داده‌اند که این ناحیه عمل خوشه‌بندی محرک‌های بینایی را انجام می‌دهد. با این حال، بیشتر این مطالعات براساس تحلیل پاسخ نرون‌های ویژه-پاسخ به دست آمده‌اند و کمتر بر اطلاعات موجود در جمعیت نرونی تمرکز کرده‌اند. در این نوشتار، اطلاعات موجود در قشر خلفی گیجگاهی در راستای خوشه‌بندی را تحلیل می‌کنیم. همواره، می‌کوشیم تا از رویکرد جمعیت نرونی به جای نرون‌های ویژه-پاسخ بهره بگیریم. به‌خصوص، با یک نگاه گشتاور اولی به پاسخ کلیه‌ی نرون‌ها در ناحیه‌ی خلفی گیجگاهی، نشان خواهیم داد که می‌توان خوشه‌های مختلف را از یکدیگر جدا کرد. نشان خواهیم داد که این نگاه گشتاور اولی، یا مرکزثقلی، برای صورت انسان و میمون، عملکردی بهتر از نگاه به تک‌تک نرون‌ها دارد. به عبارت ساده‌تر، نشان می‌دهیم که اطلاعات در مورد صورت انسان و میمون به گونه‌ای در این ناحیه بازنمایی شده است که با کمترین هزینه قابل بازیابی باشد. همچنین، نشان خواهیم داد که یک ساختار سلسله‌مراتبی مراتبی زمانی در بازنمایی خوشه‌ها در ناحیه‌ی خلفی گیجگاهی وجود دارد. این ساختار هم با ویژگی‌های مرکزثقلی و هم در دو لایه‌ی اول با استفاده از اطلاعات مجزای نرون‌ها به دست می‌آید. به علاوه، نشان می‌دهیم که می‌توان با درنظر گرفتن یک طبقه‌بندی‌کننده‌ی سلسله‌مراتبی ساده، عمل طبقه‌بندی را از منظر دقت طبقه‌بندی و نیز اطمینان آن بهبود بخشید. چنین کاری ممکن است زیرا ناحیه‌ی خلفی اطلاعات مربوط به خوشه‌های بزرگ‌تر را در هنگامه‌ی جداسازی خوشه‌های ریزتر در اختیار دارد.
- Abstract
- Inferior temporal (IT) cortex is the last region in ventral visual pathway that only processes the visual information. Many studies have shown that this region categorizes visual stimuli. However, most of them are based on analysis of selective neurons’ response, but not the neural population response. In this thesis, we analyze the neural information in IT cortex regarding categorization, using a neural population-based approach. Particularly, we show that categorization of various stimuli is possible by a first-order momentum analysis of neural population responses. We show that this first-order viewpoint, or center of mass viewpoint, has a better performance than analysis based on each neuron’s response regarding the categorization of human and monkey face. In other words, Information about primate face is represented in IT cortex in a way that retrievable with minimum effort. Moreover, we show that there is a hierarchical temporal structure in representation of different categories in IT cortex. This structure is achievable either by center of mass analysis or by each neuron’s response analysis. Additionally, we demonstrate that the performance for classification of different categories improves using a simple hierarchical classifier, from either correct classification rate perspective or bayesian likelihood perspective. This approach in classification is plausible because IT cortex represents rough categories sooner than fine categories.
