آیا آن دایره سبز یا خاکستری است؟ آیا خطوط وسط مستقیم یا کج هستند؟

توهمات نوری می تواند سرگرم کننده برای تجربه و بحث باشد ، اما درک چگونگی درک مغز انسان از این پدیده های مختلف ، منطقه فعال تحقیقات علمی باقی می ماند. برای یک طبقه از توهمات نوری ، به نام پدیده های زمینه ای ، این برداشت ها بستگی به متن دارد. به عنوان مثال ، رنگی که فکر می کنید یک دایره مرکزی باشد به رنگ حلقه اطراف آن بستگی دارد. بعضی اوقات رنگ بیرونی باعث می شود رنگ داخلی بیشتر شبیه به هم باشد ، مانند یک حلقه سبز همسایه که یک حلقه آبی را فیروزه ای جلوه می دهد اما بعضی اوقات رنگ بیرونی باعث می شود رنگ داخلی کمتری به نظر برسد ، مانند حلقه صورتی که یک دایره خاکستری را سبز می کند به نظر می رسد.

تیمی از کارشناسان بینایی رایانه ای دانشگاه براون برای درک مکانیسم های عصبی این پدیده های متنی به میدان برگشتند. مطالعه آنها در تاریخ 20 سپتامبر در روانشناسی مروری منتشر شد .

توماس سر ، استادیار علوم شناختی ، زبانی و روانشناختی در براون و نویسنده ارشد مقاله می گوید: "این اتفاق نظر وجود دارد که توهمات نوری یک اشکال نیست بلکه یک ویژگی است." "من فکر می کنم آنها یک ویژگی هستند. آنها ممکن است موارد مهم برای سیستم بینایی ما باشند ، اما دید ما در زندگی روزمره و در شناخت اشیاء بسیار قدرتمند است."

برای مطالعه ، تیم تحت هدایت سر ، که وابسته به انستیتوی براون کارنی برای علوم مغز است ، با یک مدل محاسباتی محدود شده توسط داده های آناتومیکی و نوروفیزیولوژیک قشر بینایی شروع به کار کردند . این مدل با هدف ثبت چگونگی ارسال نورونهای قشر مغز همسایه به یکدیگر و تنظیم پاسخهای یکدیگر در هنگام ارائه محرکهای پیچیده مانند توهمات نوری متنی ارائه شده است.

Serre گفت: یکی از نوآوری هایی که تیم در مدل خود شامل الگوی خاصی از ارتباطات بازخورد فرضی شده بین نورون ها بود. این اتصالات بازخورد بسته به متن بصری ، قادر به افزایش یا کاهش - تحریک یا مهار - پاسخ یک نورون مرکزی است.

این اتصالات بازخورد در اکثر الگوریتم های یادگیری عمیق موجود نیست. یادگیری عمیق نوعی هوش مصنوعی قدرتمند است که قادر به یادگیری الگوهای پیچیده در داده ها ، مانند شناخت تصاویر و تجزیه گفتار عادی است و بستگی به چندین لایه شبکه عصبی مصنوعی دارد که با هم کار می کنند. با این حال ، اکثر الگوریتم های یادگیری عمیق فقط شامل اتصالات فید بین لایه ها می شوند ، نه پیوندهای بازخورد ابتکاری Serre بین نورونهای درون یک لایه.

پس از ساخت مدل ، تیم انواع توهمات وابسته به متن را ارائه دادند. محققان استحكام اتصالات تحریكی یا مهاری را بازخورد كنند تا نورون های مدل به روشی متناسب با داده های نوروفیزیولوژی از قشر بصری اولیه پاسخ دهند.

سپس آنها مدل را بر روی انواع توهمات زمینه ای آزمایش کردند و دوباره دریافتند که این مدل توهمات مانند انسان را درک می کند.

برای آزمایش اینکه آیا آنها مدل را بی نیاز پیچیده ساخته اند ، آنها مدل را ضعیف کرده اند - بطور انتخابی برخی از اتصالات را حذف می کنند. هنگامی که مدل برخی از اتصالات را گم می کرد ، داده ها با داده های ادراک انسان به طور دقیق مطابقت ندارند.

Serre گفت: "مدل ما ساده ترین مدل است که هم برای توضیح رفتار قشر بینایی در رابطه با توهمات متنی لازم و کافی است." "این واقعاً کار علوم اعصاب محاسباتی کتاب درسی بود. ما با یک مدل شروع به توضیح داده های نوروفیزیولوژی کردیم و با پیش بینی اطلاعات روانشناسی فیزیکی انسان به پایان رسید."

Serre علاوه بر ارائه توضیحی وحدت آمیز در مورد چگونگی دیدن طبقه ای از توهمات نوری ، این مدل را با هدف بهبود دید مصنوعی بنا می کند .

وی خاطرنشان کرد: الگوریتم های پیشرفته بینایی مصنوعی ، مانند مواردی که برای برچسب زدن چهره یا به رسمیت شناختن علائم توقف استفاده می شوند ، در دیدن زمینه مشکل دارند. وی با درج اتصالات افقی تنظیم شده توسط توهمات نوری وابسته به متن ، امیدوار است این ضعف را برطرف کند.

شاید برنامه های یادگیری عمیق بصری که زمینه را در نظر می گیرند ، فریب دادن سخت تر خواهد بود. Serer گفت ، یک برچسب خاص ، هنگامی که روی یک علامت توقف گیر بیفتد ، می تواند یک سیستم دید مصنوعی را فریب دهد و این یک علامت محدودیت سرعت 65 مایل در ساعت است که خطرناک است.

 http://opensocialfactory.com/story4692610/پمپ-وکیوم-آبی