¿Ese círculo es verde o gris? ¿Las líneas centrales son rectas o inclinadas?
Las ilusiones ópticas pueden ser divertidas de experimentar y debatir, pero comprender cómo los cerebros humanos perciben estos diferentes fenómenos sigue siendo un área activa de investigación científica. Para una clase de ilusiones ópticas, llamadas fenómenos contextuales, se sabe que esas percepciones dependen del contexto.Por ejemplo, el color que crees que tiene un círculo central depende del color del anillo circundante. A veces, el color exterior hace que el color interior parezca más similar, como un anillo verde vecino que hace que un anillo azul parezca turquesa, pero a veces el color exteriorhace que el color interior parezca menos similar, como un anillo rosa que hace que un círculo gris parezca verdoso.
Un equipo de expertos en visión por computadora de la Universidad de Brown volvió al punto de partida para comprender los mecanismos neuronales de estos fenómenos contextuales. Su estudio fue publicado el 20 de septiembre en Revisión psicológica .
"Existe un consenso creciente de que las ilusiones ópticas no son un error, sino una característica", dijo Thomas Serre, profesor asociado de ciencias cognitivas, lingüísticas y psicológicas en Brown y autor principal del artículo. "Creo que son una característica.pueden representar casos extremos para nuestro sistema visual, pero nuestra visión es tan poderosa en la vida cotidiana y en el reconocimiento de objetos ".
Para el estudio, el equipo dirigido por Serre, afiliado al Instituto Carney de Ciencias del Cerebro de Brown, comenzó con un modelo computacional limitado por datos anatómicos y neurofisiológicos de la corteza visual. El modelo tenía como objetivo capturar cómo las neuronas corticales vecinas envían mensajesentre sí y ajustan las respuestas de los demás cuando se les presentan estímulos complejos, como ilusiones ópticas contextuales.
Una innovación que el equipo incluyó en su modelo fue un patrón específico de conexiones de retroalimentación hipotéticas entre neuronas, dijo Serre. Estas conexiones de retroalimentación son capaces de aumentar o disminuir excitar o inhibir la respuesta de una neurona central, dependiendo de lacontexto visual.
Estas conexiones de retroalimentación no están presentes en la mayoría de los algoritmos de aprendizaje profundo. El aprendizaje profundo es un tipo poderoso de inteligencia artificial que es capaz de aprender patrones complejos en los datos, como reconocer imágenes y analizar el habla normal, y depende de múltiples capas de neuronas artificialesredes trabajando juntas. Sin embargo, la mayoría de los algoritmos de aprendizaje profundo solo incluyen conexiones de retroalimentación entre capas, no las conexiones de retroalimentación innovadoras de Serre entre neuronas dentro de una capa.
Una vez que se construyó el modelo, el equipo presentó una variedad de ilusiones dependientes del contexto. Los investigadores "sintonizaron" la fuerza de las conexiones excitadoras o inhibitorias de retroalimentación para que las neuronas del modelo respondieran de una manera consistente con los datos de neurofisiología de los primates visualescorteza.
Luego probaron el modelo en una variedad de ilusiones contextuales y nuevamente encontraron que el modelo percibía las ilusiones como humanos.
Para probar si hicieron el modelo innecesariamente complejo, lesionaron el modelo, eliminando selectivamente algunas de las conexiones. Cuando al modelo le faltaban algunas de las conexiones, los datos no coincidían con los datos de percepción humana con tanta precisión.
"Nuestro modelo es el modelo más simple que es necesario y suficiente para explicar el comportamiento de la corteza visual con respecto a las ilusiones contextuales", dijo Serre. "Este fue realmente un trabajo de neurociencia computacional de libro de texto; comenzamos con un modelo para explicardatos de neurofisiología y terminó con predicciones para datos de psicofísica humana ".
Además de proporcionar una explicación unificadora de cómo los humanos ven una clase de ilusiones ópticas, Serre se basa en este modelo con el objetivo de mejorar la visión artificial.
Los algoritmos de visión artificial de última generación, como los que se utilizan para etiquetar rostros o reconocer señales de alto, tienen problemas para ver el contexto, señaló. Al incluir conexiones horizontales ajustadas por ilusiones ópticas dependientes del contexto, espera abordar este problemadebilidad.
Quizás los programas de aprendizaje profundo visual que toman en cuenta el contexto sean más difíciles de engañar. Cierta etiqueta, cuando está pegada en una señal de alto, puede engañar a un sistema de visión artificial para que piense que es una señal de límite de velocidad de 65 millas por hora,lo cual es peligroso, dijo Serre.
Fuente de la historia :
Materiales proporcionado por Universidad de Brown . Nota: el contenido se puede editar por estilo y longitud.
Referencia de la revista :
cite esta página :