腹侧视觉皮层的客体加工机制：功能影像与计算视觉模型的结合研究

Category-specific organization in the ventral visual pathway has been well established. The nature of such organization, however, is still under debate. To explore how category-specific organization emerges in object recognition, we will use deep learning models, the state- of-the-art machine learning tool in computer vision, to probe representations in the ventral occipital temporal cortex. In this way, we will be able to identify the sole contribution of visual information to category-specific organization and examine the interaction between category and visual information in object recognition, which will uncover the nature of object recognition in the ventral visual pathway.

腹侧视觉通路客体加工的一个重要特征是范畴特异性加工。范畴特异性加工产生的原因目前还没有一致的结论。本研究拟利用视觉计算模型仅提供视觉信息的特点，结合健康被试在客体识别时的脑影像数据，研究人脑颞枕皮层范畴特异性效应产生的原因，从而揭示腹侧视觉皮层的客体加工机制。本项目的研究成果将对范畴效应和视觉信息的关系，及其对腹侧视觉通路组织模式的影响等研究问题具有重要启示。

认知神经科学对人脑如何识别客体的研究由来已久，虽然近年来随着脑功能神经影像的兴起，对于人脑如何加工客体有了突破性进展，但仍然无法完全揭示人脑客体识别的机制。另一方面，随着计算机性能的提高和机器学习算法的发展，人工智能广泛用于客体识别，目前计算机单个客体的识别能力与人相当，但是其精度和迁移性仍有待提高。本研究以枕颞叶皮层的范畴特异性效应为切入点，将认知神经科学与计算机视觉相结合，根据理论假设建立了多个深度学习模型，并对比这些模型对枕颞叶皮层范畴特异性激活脑区活动模式的解释力。具体如下新发现：首先，与前人研究一致，我们在枕颞叶皮层发现了多个范畴特异性激活脑区，这些脑区都对偏好的范畴体现出更高的激活水平。通过多体素分析，我们发现这些范畴特异性脑区的激活模式存在差异，提示导致这些脑区体现出范畴特异性激活的内在机制有所不同；然后，为了揭示人脑枕颞叶皮层客体识别的内在机制，我们基于深度学习模型AlexNet，操作计算目标（区分个体和区分范畴）建立了不同理论模型。对比人脑加工模式发现，区分范畴的模型与人脑范畴特异性加工脑区相似性普遍高于区分个体的模型。这表明，人脑范畴特异性表征在这些脑区是被区分范畴所直接驱动的，而不是加工单个客体的副产品。这也提示计算机视觉研究客体识别应该考虑不同层次的计算目标对模型建构的影响，以此研究新发现为出发点，对现有机器学习模型进行改进，显著提高了卫星遥感图像目标识别的能力和精度。最后，我们还发现这种范畴性组织维度对其他认知过程的影像还受到时间维度的调节。