Neural Network Based on the Input Organization of an Identified Neuron Signaling Impending Collision
文章目录
在这里对这篇文章进行一个初浅阅读
第一部分
一、总结和结论
- 这篇文章基于蝗虫小叶巨型运动检测器(LGMD)设计了一个四层神经网络。第一层(Photoreceptor-P层)有250个感光细胞平铺构成。其作用是感知运动目标边缘在视场中引起的流明变化。第二层和第三层分别由兴奋(Excitation:E)细胞和抑制(Inhibition:I)细胞构成,他们分别平铺且相互之间不传递视觉信息。第四层由整合(Sum:S)细胞构成。S细胞同时接受来自第二层和第三层的输出信息,经过整合后将信息输出到神经网络末端的LGMD神经元上。该模型还用了前馈抑制(F)细胞处理在视场中由于平移运动所引发起错误信息。该神经网络具有以下特性:1、对靠近的运动目标产生偏好性响应,而对远离的运动行为无响应。2、对在“眼”前做上下左右移动的物体无响应。
- 侧抑制(Lateral inhibition)细胞塑造了网络对Z方向(靠近或远离)移动的物体的调整—a、当物体在靠近眼睛的过程中,沿着神经网络向下传递的兴奋和抑制会进行一场“竞赛”如果兴奋不能赢得这场竞赛那么兴奋的积累就会被消除。b、如果我们消除侧向抑制则会增加“LGMD”对靠近物体的反应,但总体的方向选择性会降低。
- 前馈抑制(Feed Forward:FFD)细胞处理市场中平移运动所引起的错误响应。使用前馈抑制进一步增强了快速接近目标的方向选择性。
二、介绍
- DCMD对于物体的接近有选择性响应,其关键图像线索是
图像边界的运动速度增加以及图像中边缘的数量迅速增加
。 - 计算模型的目标是模拟LGMD神经元的响应特性,尤其是对于接近物体和远离物体的有选择性响应。模型在不同的
接近速度、物体大小、接近距离、轨迹和对比度(亮暗对比)
下保持这种选择性响应。 - 模型对以恒定速度从眼睛固定距离处移动的物体表现出非定向响应,并对快速移动的大型物体表现出最佳响应。
- 模型共享对于有选择性响应物体接近的关键图像线索,即当边缘随着运动而改变其大小或速度时,应该产生方向性响应。
- 激励和抑制的精确时间安排在迅速积累激励以应对接近物体时起到的关键作用。
三、网络和输入
- 描述了一个神经网络的输入,这个网络用于处理一系列计算机生成的移动物体图像,每个图像对应模拟时间中的一毫秒。在每一次的模拟中,物体的大小、初始位置和最终位置在三维空间中都是可控的(见表1)``
- 输入来自P单元的兴奋信号,传递给第二层中的一个兴奋单元(E单元)和一个抑制单元(I单元)。第二层中的E单元和I单元的兴奋和抑制信号在第三层的S单元中求和,然后激励第四层的LGMD。不同层之间和层内的突触和传导延迟可以独立设置。在这里描述的模拟中,层间兴奋连接的延迟设置为0毫秒,而抑制连接的延迟在1-4毫秒之间变化。E单元的兴奋响应在其输入的P单元被激活后立即传递,除非该单元处于不应期内。
- I单元在第二层中将抑制信号传递给同一视网膜位置的一个S单元,同时向以I单元为中心的两个S单元环传递抑制信号。I单元与每个最近的和次最近的S单元之间的抑制连接根据查找表指定。抑制信号传递给每个最近和次最近的S单元时,总是被I单元建立的这些连接数量所除,因此最近的S单元接收到的输入是(I单元活动1/6)的百分比,次最近的S单元接收到的输入是(I单元活动1/12)的百分比。通常情况下,这些权重为最近的S单元为170%,次最近的S单元为70%。I单元传递给最近和次最近的第三层S单元的抑制信号也会受到相对于兴奋输入的延迟影响。这导致了在网络中层与层之间的兴奋传递和横向抑制之间的平衡。LGMD网络表现出的横向抑制是与刺激而不是响应相关的,这意味着即使网络生成的总抑制大于产生它的响应,系统仍然保持稳定。这意味着对于网络的稳定性来说,不需要每个I单元引起的总抑制与I单元最初接收到的兴奋平衡。
- 在第3层中,每个S单元将E(兴奋)和I(抑制)输入线性求和,直到达到一定的兴奋阈值,然后产生一个“尖峰”
- 第4层模型包括一个单一的“LGMD”单元,它将所有活动的S单元的兴奋和抑制信号进行线性求和,其中抑制信号经过2-5毫秒的延迟。这里的抑制信号是指FFD抑制信号。
四、在每次模拟期间监视网络活动
在每次模拟过程中,可以在模拟每毫秒结束时获得一份图形显示,显示了位于第一层的P单元阵列上的图像、第二层的每个I单元的活动以及第三层的每个S单元的活动。在显示中保留了每个单元的视网膜位置,其兴奋水平由一个圆表示,其半径与兴奋水平成比例
。第4层网络中的“LGMD”单元的活动在每次模拟结束时以兴奋水平图的形式显示,刻度为0-400。
五、实验结果
研究结果分为三个部分。第一部分旨在确定该网络的行为是否类似于蝗虫的LGMD神经元。第二部分探讨了支持这种行为的网络过程,最后一部分通过分别改变每个过程并观察网络的响应来评估这些过程的重要性。网络对重复的刺激始终产生相同的响应。
六、"LGMD"模型对物体靠近和后退的响应
- 该网络的“LGMD”受到了用于确定蝗虫LGMD/DCMD神经元作为碰撞检测器以及检查该区分的关键图像线索的刺激。对象要么相对于眼睛在深度(靠近和后退)上移动,要么在距离眼睛一定距离处水平(左右)移动。
- 在每次模拟中, “LGMD”响应的上升阶段对物体的靠近比对物体的远离要长。小于等于65 x 65毫米的物体在物体靠近时在“LGMD”中逐渐引起的兴奋越来越少,但对于最小的物体,在运动停止后,响应会变得更加延长。 “LGMD”的方向性随着物体大小的增加而增加。相比之下,物体后退期间的响应随着对象尺寸的减小而延长。
- 对于沿着碰撞轨迹接近的物体 “LGMD”的兴奋响应最大。
七、“ LGMD”对 X-Y 平面水平运动的物体的方向选择性
网络对于X-Y平面上的恒定速度运动没有方向性响应
第二部分
八、移动物体响应的形成过程
8.1在X-Y平面上单一边缘移动LGMD的响应
- 在边缘横向移动的过程中I细胞产生的抑制随着时间的推移会阻止S细胞产生兴奋、
- 改变边缘运动的速度可以改变横向抑制和兴奋到达S单元的相对到达时间,随着边缘运动速度的增加,横向抑制的有效性逐渐减小。
8.2 LGMD网络对靠近的物体的响应
接下来是一些验证猜想的实验过程
略*****************************
结论
这些实验结果表明,网络在应对不同大小和接近速度的物体时都能保持方向性,并且网络被调整为对直接接近做出响应,并不对横向穿越眼睛的不同运动方向选择性。触发“LGMD”对物体接近的选择性响应的关键图像线索是增长的边缘,或者随着时间的推移在眼睛上以逐渐增加的速度移动的边缘。网络的响应方式与蝗虫的LGMD神经元相同,符合将网络和神经元之间的对应关系设定为良好挑战的标准。该网络使我们能够得出以下关于塑造LGMD神经元对接近物体选择性响应机制的结论: