视觉通路

• 我们介绍的第一个概念是视觉通路。

• 视觉信号进入眼球后，到达的第一层神经元就是视网膜，在这里，视觉信号被转换为电信号，这里大约有百万量级的信号。

• 这些信号经过处理后，通过视交叉进入视觉皮层，进行视觉信号处理。这个通道叫做视觉通路。

• 视觉通路上，信号基本不发生变化，主要是信号传导。与我们介绍过的神经网络输入层非常类似。

视觉皮层

• 神经电信号进入视觉皮层后，分多次、多层处理。每层处理不同的特征，如：

– V1 处理简单视觉    – V2 处理图形边缘轮廓

– V3 传递信息     – V4 处理颜色

• 这种网络形式有鲜明的特点。

视觉皮层处理信号的特点

• 整个视觉神经网络分为多层，实现多种特征的提取和抽象。层级越高，所得到的信号越抽象、越密集。

• 但在每一层中，处理信息的方式有本质区别。视觉皮层的每一层中，并不是以单一神经元为单位，而是存在大量的 “神经元团”，每个“团”都能独立处理视觉信号，提取当前层的某种特征。

• 最后，经过视觉皮层分析，可以将百万量级的信息压缩为数百神经元表示的抽象信息。

视觉皮层与图像卷积

• 视觉皮层的处理方式非常类似图像的“卷积”运算。

– 原始的视觉信号可以看做一个二维数据。

– 少数视觉神经元以“卷积”运算的形式处理原始信号。即卷积核。

– 经过卷积后，原始信号的某种特定的视觉特征被表示为较少的信息。

– 实现信息压缩和抽象。

卷积的物理意义

– 这里我们提出了“卷积”运算的概念。

– 那么究竟什么是卷积呢？

– 我们简要介绍一下卷积的物理意义。

• 我们仍然以这张图为例

– 对于某个处理信号的系统而言，卷积相当于输入信号 f 与处理方法 h 在所有情况下的逐一处理，并将结果加权输出。

– 如果处理方法 h 很“小”，而信号 f 很“大”，那么卷积相当于用某种“刷子”把原始信号“刷”了一遍。得到的输出信息与“刷子”上每个单元的“权重”息息相关。

卷积神经网络的基本思想

• 现在，我们了解了视觉信号处理和图像卷积

– 视觉信号的处理模式：多层、每层有特定功能

– 图像的卷积：小刷子刷大图，得到特定效果

• 两者对比，可以发现：

– 图像的卷积，很类似视觉皮层对图像进行某种特定功能的处理。

– 比如，通用的“soble 卷积核”，对一切图像都能提取边缘。很类似视觉皮层的某个层。

• 如果将大量图像卷积放在一起，堆叠若干层，是否可以模拟大脑的视觉处理过程？这就是卷积神经网络的思路。