本文探讨了视觉神经网络的基本结构，包括人类视觉神经系统的功能和信息处理过程。此外，介绍了神经网络的历史，从早期的模型到现代深度学习的发展。文章还阐述了人工智能、机器学习、神经网络和深度学习之间的关系，以及前馈神经网络、BP神经网络和卷积神经网络的差异。最后，提到了卷积神经网络（CNN）的概念由福岛邦彦提出，它是现代深度学习中的重要组成部分，广泛应用于图像处理和计算机视觉等领域。
人类的视觉神经的结构是什么？
经过视网膜神经网络处理的信息，由神经节细胞的轴突——视神经纤维向中枢传递。
在视交叉的部位，100万条视神经纤维约有一半投射至同侧的丘脑外侧膝状体，另一半交叉到对侧，大部分投射至外侧膝状体，一小部分投射至上丘。
在上丘，视觉信息与躯体感觉信息和听觉信息相综合，使感觉反应与耳、眼、头的相关运动协调起来。
外侧膝状体的神经细胞的突起组成视辐射线投射到初级视皮层（布罗德曼氏17区，或皮层纹区），进而再向更高级的视中枢（纹状旁区，或布罗德曼氏18、19区等）投射。
从初级视皮层又有纤维返回上丘和外侧膝状体，这种反馈通路的功能意义还不清楚。
由于视神经的交叉，左侧的外侧膝状体和皮层与两个左半侧的视网膜相连，因此与视野的右半有关；右侧的外侧膝状体和右侧皮层的情况恰相反。
一侧的外侧膝状体和皮层都接受来自双眼的信息输入，每侧均与视觉世界的对侧一半有关。在视通路不同部位发生损伤时，就会出现相应的视野缺损，这在临床诊断中具有重要意义。
视觉信息在视觉中枢通路的各水平上经受进一步的处理。外侧膝状体只是视觉信息传递的中继站，其细胞感受野保持着同心圆式的对称中心-周边颉颃构型。
但到初级视皮层，除很少部分细胞仍然保持圆形感受野外，大部细胞表现出特殊的反应形式，它们不再对光点的照射呈良好反应，而是需要某种特殊的有效刺激。
初级视皮层中按其对刺激特异性的要求，可分为简单细胞和复杂细胞。简单细胞对在视野中一定部位的线段，光带或某种线形的边缘有反应。
特别是它们要求线段等都有特定的朝向，具有这一朝向（该细胞的最佳朝向）的刺激使细胞呈现最佳反应（脉冲频率最高）。
最佳朝向随细胞而异，通常限定得相当严格，以致顺时针或逆时针地改变刺激朝向10°或20°可使细胞反应显著减少乃至消失。
因此，简单细胞所反映的已不再是单个孤立的．光点，而是某种特殊排列的点群，这显然是一种重要的特征信息抽提。
复杂细胞具有简单细胞所具有的基本反应特性，但其主要特征是它们对线段在视野中的确切位置的要求并不很严，只要线段落在这些细胞的感受野中，又具有特定的朝向，位置即使稍许位移，反应的改变并不明显。
复杂细胞的另一个特征是，来自双眼的信息开始汇聚起来。
不象外侧膝状体的细胞和简单细胞那样，只对一侧眼的刺激有反应，而是对两眼的刺激都有反应，但反应量通常是不等的，总是一只眼占优势，即对该眼的刺激可引起细胞发放更高频率的脉冲。
这表明复杂细胞已开始对双眼的信息进行了初步的综合的处理。
谷歌人工智能写作项目：神经网络伪原创
神经网络的历史是什么？
沃伦·麦卡洛克和沃尔特·皮茨（1943）基于数学和一种称为阈值逻辑的算法创造了一种神经网络的计算模型写作猫。这种模型使得神经网络的研究分裂为两种不同研究思路。
一种主要关注大脑中的生物学过程，另一种主要关注神经网络在人工智能里的应用。一、赫布型学习二十世纪40年代后期，心理学家唐纳德·赫布根据神经可塑性的机制创造了一种对学习的假说，现在称作赫布型学习。
赫布型学习被认为是一种典型的非监督式学习规则，它后来的变种是长期增强作用的早期模型。从1948年开始，研究人员将这种计算模型的思想应用到B型图灵机上。
法利和韦斯利·A·克拉克（1954）首次使用计算机，当时称作计算器，在MIT模拟了一个赫布网络。纳撒尼尔·罗切斯特（1956）等人模拟了一台 IBM 704计算机上的抽象神经网络的行为。
弗兰克·罗森布拉特创造了感知机。这是一种模式识别算法，用简单的加减法实现了两层的计算机学习网络。罗森布拉特也用数学符号描述了基本感知机里没有的回路，例如异或回路。
这种回路一直无法被神经网络处理，直到保罗·韦伯斯(1975)创造了反向传播算法。在马文·明斯基和西摩尔·派普特（1969）发表了一项关于机器学习的研究以后，神经网络的研究停滞不前。
他们发现了神经网络的两个关键问题。第一是基本感知机无法处理异或回路。第二个重要的问题是电脑没有足够的能力来处理大型神经网络所需要的很长的计算时间。
直到计算机具有更强的计算能力之前，神经网络的研究进展缓慢。二、反向传播算法与复兴后来出现的一个关键的进展是保罗·韦伯斯发明的反向传播算法（Werbos 1975）。
这个算法有效地解决了异或的问题，还有更普遍的训练多层神经网络的问题。在二十世纪80年代中期，分布式并行处理（当时称作联结主义）流行起来。
戴维·鲁姆哈特和詹姆斯·麦克里兰德的教材对于联结主义在计算机模拟神经活动中的应用提供了全面的论述。神经网络传统上被认为是大脑中的神经活动的简化模型，虽然这个模型和大脑的生理结构之间的关联存在争议。
人们不清楚人工神经网络能多大程度地反映大脑的功能。
支持向量机和其他更简单的方法（例如线性分类器）在机器学习领域的流行度逐渐超过了神经网络，但是在2000年代后期出现的深度学习重新激发了人们对神经网络的兴趣。
三、2006年之后的进展人们用CMOS创造了用于生物物理模拟和神经形态计算的计算设备。最新的研究显示了用于大型主成分分析和卷积神经网络的纳米设备具有良好的前景。
如果成功的话，这会创造出一种新的神经计算设备，因为它依赖于学习而不是编程，并且它从根本上就是模拟的而不是数字化的，虽然它的第一个实例可能是数字化的CMOS设备。
在2009到2012年之间，Jürgen Schmidhuber在Swiss AI Lab IDSIA的研究小组研发的循环神经网络和深前馈神经网络赢得了8项关于模式识别和机器学习的国际比赛。
例如，Alex Graves et al.的双向、多维的LSTM赢得了2009年ICDAR的3项关于连笔字识别的比赛，而且之前并不知道关于将要学习的3种语言的信息。
IDSIA的Dan Ciresan和同事根据这个方法编写的基于GPU的实现赢得了多项模式识别的比赛，包括IJCNN 2011交通标志识别比赛等等。
他们的神经网络也
最低0.47元/天 解锁文章
扫一扫
1428
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
