信阅平台

编辑推荐

　　《视觉信息认知计算理论》主要介绍视觉信息认知计算领域的基本理论和最新成果.讨论了基于视觉感知和有效编码假说的特征表示、计算模型，从认知心理学出发讨论了半监督学习、聚类、知觉组织，从人类视觉的注意机理角度讨论了模拟视觉注意机制的视觉感知模型等。《视觉信息认知计算理论》力求理论与实践统一，从提高计算机对非结构化视听觉感知信息的理解能力和对海量异构信息的处理效率，克服图像信息处理所面临的“瓶颈”出发.借助认知心理学、神经生理学、生物学、计算机科学和数理科学的交叉优势，描述在场景理解中基于视觉感知的热点技术问题以及新的计算模型、计算方法。

内容介绍

　　在众多的生物系统中，人脑被认为是最高级的生物智能系统，它具有感知、识别、学习、联想、记忆、推理等功能。而在人脑感知的信息中，大部分来自视觉。视觉是人类获取信息的重要途径，也是人类对自身研究认识最深刻的部分。因此，研究生物体的视知觉功能，解析其内在机理，并用机器来实现，成为科学研究领域的一个重要方面，它可以为提高机器的智能与解决问题的能力提供新的思路。
　　《视觉信息认知计算理论》系统地讨论了基于视觉感知和有效编码假说的特征表示、计算模型，从认知心理学出发讨论了半监督学习、聚类、知觉组织，从人类视觉的注意机理角度讨论了模拟视觉注意机制的视觉感知模型等。
　　《视觉信息认知计算理论》可作为计算机科学领域人工智能、模式识别等专业的研究生教材，也可供相关专业的研究人员参考。

精彩书摘

　　人们一般把具有这类复杂感受野的细胞称为复杂细胞。复杂细胞主要分布在V1区的第4层，在纹外皮层也会少量出现。复杂细胞感受野比简单细胞大，它的最优响应一般对应于特定方向的条形刺激，但是对于条形刺激在感受野中的位置没有严格要求，表现出了一定的不变性。
　　（4）终端抑制感受野（end-stoppedreceptivefield）。终端抑制细胞对边、线或者光栅的偏好与简单细胞或复杂细胞很相似，不同的是当刺激模型长度超过某一值时，细胞反应会明显降低。它们可以被短线或短边极大地激活，但是对长度超过感受野的刺激反应却很弱，甚至不反应。一般地讲，这种细胞能有效地对线的终端或者角产生反应。
　　需要指出的是，以上对细胞模型的描述实际上是无法穷尽细胞多样性的，特别是在猴子V1、V2区找到的复杂细胞与终端抑制细胞，它们有许多的变异类型。
　　2.2.3 纹外皮层
　　V2区是纹外皮层的第一个皮层区域，它主要接收V1区的传入，LGN中也有稀少而分散的输入连接，它的输出传人纹外皮层的高级区域，如V3、V4和V5区，同时，它也有少数的反馈连接指向V1区。
　　对V2区采用细胞色素氧化酶染色法发现，V2区包含一些粗细条纹，同时，粗细条纹彼此间被一些轻度染色的中间条纹分开。对波长（颜色）有选择性的细胞集中在细条纹中，对运动方向性有选择性的细胞则存在于粗条纹中，对形状敏感的细胞则在粗条纹和中间条纹中都有所分布。另外，在V2区，研究者已经描绘出几种具有高级感受野的V2细胞。

前言
第1章概述
1.1 基于感知机理的机器学习方法
1.2 基于有效编码假说的初级特征表示
1.2.1 有效编码假说
1.2.2 模拟人类方式的有效编码与特征表示
1.3 视觉表象的中级特征表示
1.4 初级视觉表象启发下的知觉组织
1.5 注意机制
1.6 智能计算模型在场景识别中的应用
参考文献

第2章基于视觉感知的特征表示
2.1 视觉感知
2.1.1 外部环境的输入刺激
2.1.2 神经信息处理机制
2.1.3 视觉感知的输出
2.2 生物视觉感知的生理结构
2.2.1 外周脑
2.2.2 初级视皮层
2.2.3 纹外皮层
2.2.4 高级视皮层
2.3 生物视觉感知的计算模型
2.3.1 简单细胞响应模型
2.3.2 复杂细胞响应模型
2.3.3 高级皮层神经细胞响应模型
2.4 生物视觉启发的特征表示及其应用
2.4.1 独立纹元矩
2.4.2 独立纹元矩的图像检索实验
2，5 本章小结
参考文献

第3章基于有效编码假说的低层特征表示
3.1 有效编码框架
3.2 基于稀疏性的有效编码方法——稀疏编码
3.2.1 Olshausen的稀疏编码模型
3.2.2 基于稀疏编码的压缩传感
3.3 基于独立性的有效编码
3.3.1 独立分量分析
3.3.2 基于独立分量分析的视觉模型
3.3.3 Hyvarinen研究小组的成果
3.4 基于慢变性的有效编码方法——慢变特征分析
3.4.1 慢变特征分析简介
3.4.2 慢变特征分析的实现
3.4.3 慢变特征分析与复杂细胞特性
3.4.4 慢变特征分析在手写体识别中的应用
3.5 本章小结
参考文献

第4章流形学习
4.1 概述
4.2 局部保持流形学习算法分析
4.2.1 局部保持的流形学习算法的基本步骤
4.2.2 几种典型的局部保持的流形学习算法
4.2.3 局部保持的流形学习算法对比
4.2.4 全局线性化局部保持的流形学习算法
4.2.5 局部保持的流形学习算法实验比较
4.3 全局保持的流形学习算法分析
4.3.1 几种典型的全局保持流形学习算法
4.3.2 全局保持的流形学习算法对比
4.3.3 全局保持的流形学习算法的实验比较.
4.4 图嵌入框架
4.4.1 图嵌入框架
4.4.2 图嵌入框架下的主成分分析
4.4.3 图嵌入框架下的判别分析
4.4.4 邻域判别分析
4.5 本章小结
参考文献

第5章半监督学习
5.1 半监督学习和人类学习
5.2 半监督学习概况
5.2.1 半监督学习的概念
5.2.2 半监督学习的历史
5.2.3 未标记数据起作用的条件
5.3 半监督多视图学习算法
5.3.1 协同训练算法
5.3.2 最大化一致算法
5.3.3 多视图特征映射算法
5.4 半监督学习的应用
5.4.1 文本分类中的半监督学习
5.4.2 图像分割中的半监督学习
5.5 本章小结
参考文献

第6章聚类
6.1 概述
6.2 经典聚类算法
6.2.1 划分法
6.2.2 层次法
6.3 聚类算法中的关键问题
6.3.1 距离度量问题
6.3.2 聚类数目
6.4 聚类分析与算法
6.4.1 谱聚类
6.4.2 异质聚类
6.4.3 基于消息传递的聚类算法
6.4.4 关于二元相似关系的假设
6.5 聚类分析在计算机视觉感知研究中的应用
6.5.1 图像分割
6.5.2 图像聚类
6.6 本章小结
参考文献

第7章知觉组织
7.1 认知心理学的相关研究成果
7.1.1 格式塔知觉组织规则
7.1.2 视觉完形
7.1.3 非偶然性原则
7.2 无监督的知觉组织方法
7.2.1 编组线索的描述
7.2.2 图分割
7.2.3 张量投票
7.3 基于主动轮廓的知觉组织方法
7.3.1 气球模型
7.3.2 距离势能模型
7.3.3 GVF模型和GGVF模型
7.3.4 T-Snake模型
7.3.5 有形状先验的水平集方法
7.4 本章小结
参考文献

第8章模拟视觉注意机制的感知模型
8.1 注意机制概述
8.2 基于空间的注意机制
8.2.1 模拟自底向上视觉注意机制的感知模型
8.2.2 模拟自顶向下视觉注意机制的感知模型
8.3 基于目标的注意机制
8.3.1 实验依据
8.3.2 基于目标的选择性注意计算模型
8.4 基于what和where信息的视觉感知模型
8.4.1 模型框架
8.4.2 视觉通路理论
8.4.3 what信息和where信息的提取与表示
8.4.4 基于一级where信息的预注意
8.4.5 一级where信息驱动的集中注意
8.4.6 what信息与where信息的结合
8.4.7 实验结果与分析
8.5 本章小结
参考文献

展开