UN MODELO DEL PROCESAMIENTO DEL MOVIMIENTO

DS-LISSOM

Esta tesis presenta una versión modificada de HLISSOM.HLISSOM es un modelo

biológicamente inspirado del sistema visual humano que se enfoca en el camino de la
información desde la retina hasta el V1(CORTEZA VISUAL PRIMARIA).

Este modelo intenta detectar la novedad al observar la cantidad que el sistema debe cambiar
para incorporar la nueva información.

HLISSOM fue elegido como el modelo a seguir debido a su estricta adherencia a la emulación
de procesos biológicos y su capacidad para trabajar con imágenes reales.

Existen dos fuentes de información: las imágenes reales que representan a la vista y las
imágenes generadas sintéticamente que representan la actividad espontánea dentro del
sistema visual.

El tipo de información se clasifica de acuerdo a su estado en la memoria. Una vez que se

considera que el sistema pasa a la etapa postnatal (después de aproximadamente 1.000 a
10.000 iteraciones prenatales para un sistema de aprendizaje general), la activación de la
retina es una respuesta a las imágenes de entrada reales. Estas imágenes se convierten a
imágenes en escala de grises, que tienen en cuenta la información de contraste de intensidad.
Los experimentos han demostrado que es el canal de contraste de luminancia el que, cuando
está presente, desempeña un papel importante en la detección de movimiento.

Procesamiento de la Retina a LGN

La LGN(núcleo geniculado lateral) se divide en dos capas: una que representa la activación ON
y otra que representa la activación OFF de las células ganglionares de la retina. Los resultados
proporcionados por Bednar han demostrado que cuando se trabaja con imágenes reales
permite que la LGN responda a una amplia gama de valores de brillo.

La función de activación se asegura de que haya al menos una cantidad mínima de actividad
dentro del campo receptivo antes de que la célula se active. Esto es extremadamente útil ya
que muchas imágenes reales son ruidosas.

Modelado V1

Esta es la primera área de interés para los aspectos de aprendizaje de DS-LISSOM. Las
estadísticas se almacenan para determinar si una orientación particular se ha visto antes o no.

Modelado MT

En este punto las cosas cambian, porque los efectos temporales deben ser considerados.

Esta es la primera área en este modelo que es selectiva de dirección. Como tal, es necesario
implementar algún tipo de retroalimentación para tener en cuenta los diferentes períodos de
tiempo.

DS-LISSOM obtiene información temporal utilizando el modelo de Riechardt, que establece

que la cantidad de activación en diferentes períodos de tiempo tiene un efecto multiplicativo
en la activación actual de la neurona.
La activación de la célula es el total combinado de toda la activación en todos los campos
receptivos

Entrenando el sistema

El aprendizaje se produce al reconocer la correlación entre los patrones de entrada. El

resultado del procedimiento de aprendizaje es que los pesos inhibitorios laterales se vuelven
irregulares con el tiempo y los pesos excitadores, que se vuelven fuertes entre los vecinos
cercanos.Esto significa que los mapas producidos en cada capa se formarán de tal manera que
los vecinos tengan patrones de actividad similares.

4.7 Detección de inconsistencia

La búsqueda de eventos inconsistentes en movimiento se realiza de la misma manera. La

cantidad de cambio de peso se monitorea, y los saltos en la cantidad de cambio de peso son
indicativos de algo nuevo que se está aprendiendo.

Cuando los cambios en ese entorno (eventos inconsistentes) ocurran más tarde, el sistema
responderá ajustando sus ponderaciones. Nuevamente, esto es consistente con la
investigación previamente discutida, que ha demostrado los efectos de criar gatos en
ambientes atípicos.