一种基于注意力动力学的缩微智能车视觉认知计算模型

提出一种基于注意力动力学的新的视觉认知计算模型,并应用于缩微智能车的自主驾驶.该模型通过上层驾驶任务、底层对象显著性和先验知识,共同驱动视觉注意关注区域的选择.首先由上层驾驶任务确定任务相关区域;然后在任务相关区域内通过基于改进的Itti-Koch显著图的底层对象显著性检测方法和基于先验知识的注意力跟踪转移机制,确定注意关注区域;最后根据在注意关注区域内进行识别认知的结果,完成自主驾驶控制决策和先验知识保存,并通过反馈机制实现驾驶任务切换.实验结果表明,新模型能够有效减少智能车图像计算处理的时间,极大提高智能车环境感知的能力和智能决策的效率.

fMRI的视觉神经信息编解码方法综述

视觉神经信息编解码旨在利用功能磁共振成像(functional magnetic resonance imaging,fMRI)等神经影像数据研究视觉刺激与大脑神经活动之间的关系。编码研究可以对神经活动模式进行建模和预测,有助于脑科学与类脑智能的发展;解码研究可以对人的视知觉状态进行解译,能够促进脑机接口领域的发展。因此,基于fMRI的视觉神经信息编解码方法研究具有重要的科学意义和工程价值。本文在总结基于fMRI的视觉神经信息编解码关键技术与研究进展的基础上,分析现有视觉神经信息编解码方法的局限。在视觉神经信息编码方面,详细介绍了基于群体感受野估计方法的发展过程;在视觉神经信息解码方面,首先,按照任务类型将其划分为语义分类、图像辨识和图像重建3个部分,并深入阐述了每个部分的代表性研究工作和所用的方法。特别地,在图像重建部分着重介绍了基于深度生成模型(主要包括变分自编码器和生成对抗网络)的简单图像、人脸图像和复杂自然图像的重建技术。其次,统计整理了该领域常用的10个开源数据集,并对数据集的样本规模、被试个数、刺激类型、研究用途及下载地址进行了详细归纳。最后,详细介绍了视觉神经信息编解码模型常用的度量指标,分析了当前视觉神经信息编码和解码方法的不足,提出可行的改进意见,并对未来发展方向进行展望。