人類視覺認知模式的統(tǒng)計分析與建模.pdf

1、作為神經形態(tài)計算的一個重要分支，對人類視覺認知與決策的機理及其計算模型進行研究不但能夠促進神經科學、計算機視覺、人工智能等科學領域的理論與技術進步，同時也能為生物醫(yī)療、智能服務，軍事裝備研制等國家與社會民生建設提供有力支撐。本文將認知心理學領域中不確定情況下的決策啟發(fā)式與具體的視覺計算問題相關聯，系統(tǒng)的研究和構建了視覺認知中影響決策的若干關鍵因素的統(tǒng)計計算模型，并在實際問題中對提出的模型進行了應用和驗證。本文的具體內容和主要貢獻概括如下

2、：
　　首先，本文從統(tǒng)計分析的角度對人眼注視點進行分析，歸納得出視覺顯著性的超高斯分布先驗，并建立了一個與人類眼動行為極為相似的動態(tài)視覺認知框架。在合成圖像和自然圖像上進行的人眼注視點預測及原型目標檢測等相關實驗表明，本文提出的模型在性能上明顯優(yōu)于目前國際主流的視覺注意模型和顯著性檢測算法，能夠快速發(fā)現信號中的顯著模式，同時有效預測和模擬人眼的掃視行為。本部分工作主要回答了“視覺信號中哪些信息是在決策中實際可用的”，對應了Kahn

3、eman理論的“可用性”啟發(fā)式。
　　其次，本文就視覺注意建模和顯著性檢測算法研究中涉及的一些核心問題進行了拓展研究。在模型適應性實驗中，可以發(fā)現不同的模型在圖像級別上的性能表現相似，同時也觀測到了較低的觀察者一致性所造成的模型性能衰減。針對模型尺度的相關實驗表明，多尺度融合的策略更適合處理包含了多個尺度的顯著目標的場景。在針對模型特征維度的實驗中，可以發(fā)現高維度的特征并不總是帶來性能的提升，完備的特征表達往往不是最優(yōu)的。最后，基

4、于20種計算模型，提出了一種普適的模型增強算法和基于統(tǒng)計的多模融合策略。
　　再次，本文以基于貝葉斯集的代表性計算模型為基礎，引入了認知心理學中的原型理論和網絡知識挖掘領域的本體知識庫，利用本體知識來構建一個局部的語義上下文環(huán)境，同時采用由動態(tài)聚類算法挖掘出的原型來對目標概念進行緊湊的表達。在此基礎上，進一步構建基于隱含語義的視覺代表性計算模型。與領域現有的模型相比，本文提出的模型能夠有效刻畫給定樣本針對特定語義概念的代表性程度，

5、其在ImageNet數據庫和本文所構建的互聯網圖像數據集上的圖像排序測試中均取得了更優(yōu)的性能。本部分工作主要回答了“視覺信號中哪些信息是具有特定語義代表性的”，對應了Kahneman理論的“代表性”啟發(fā)式。
　　最后，本文對互聯網上視覺媒體數據的分布規(guī)律展開了探索，提出人類認知偏好與互聯網圖像分布的關聯假設，建立一個既服從Web數據自身分布特性，又符合人類認知習慣的視覺語義計算模型。實驗結果表明，本文提出的模型可以通過語義這一線索

6、將互聯網上繁雜的視覺媒體數據組織起來，并把人類嵌入在網絡數據中的認知模式（即錨定點）抽取出來，形成抽象語義與視覺媒體之間的量化關聯。相關實驗還從側面驗證了互聯網上確實存在著大量可挖掘的人類知識，同時也為“物體的正則視圖”和“決策中的代表性啟發(fā)式”這兩個獨立的心理學研究領域建立了形式化的數學聯系。本部分工作主要回答了“視覺信號中哪些是決策的錨點”，對應了Kahneman理論的“錨定”啟發(fā)式。
　　通過上述研究，本文對面向視覺決策的認