1. 研究目的与意义（文献综述）

1.1目的及意义

近年来，深度神经网络（dnns）在计算机视觉领域的许多挑战性任务（如ilsvrc）中取得了巨大的成功。cadieu等甚至指出，深度神经网络的物体表达方式比得上灵长类动物it脑区的物体表达方式^[1]。巨大成功背后的原因之一是它们采用了类似于灵长类动物视觉皮层腹侧通路（visual cortex ventral pathway）的分层结构模型^[2]。灵长类动物it脑区（inferior temporal cortex）的物体表达具有很多优点，如几何变换不变性，但是，对于灵长类动物视觉皮层的信息处理机制还存在许多疑点。本项目旨在通过分析猴子it脑区神经元响应的统计特性来研究猴子it脑区的物体表达方法。由于不可能获得足够多的猴子神经元的电生理记录结果，所以本项目主要依据已有神经元电生理记录结果，模拟得到大量神经元对图像刺激的响应，进而研究猴子it脑区的物体表达方式，为后期改进深度网络的物体表达方式，提高计算机视觉方法对物体的识别能力奠定基础。

1.2国内外的研究现状分析

2. 研究的基本内容与方案

2.1 研究（设计）的基本内容、目标

1、依据已有猴子神经元电生理记录结果，分析神经元对图像刺激的响应特性，给神经元建模，大量模拟神经元，得到大量神经元响应^[13]；2、给定神经元之间的相关性、给定噪声下的神经元的响应的统计分析，包括：个体神经元的选择性（single-neuron selectivity）；群体神经元的稀疏性（populationsparseness）；it脑区神经元的物体表达的固有维度;（intrinsic dimension of visual object representations）；

3、利用kurtosis、tail index对个体神经元的选择性和群体神经元的稀疏性进行统计分析，利用pca方法进行it脑区神经元的物体表达的固有维度的计算。

3. 研究计划与安排

第1周—第3周 搜集资料，撰写开题报告；

第4周—第5周 论文开题；

第6周—第12周 撰写论文初稿；

4. 参考文献（12篇以上）

[1] cadieu c., hong h., yamins d., pinto n., ardila d.,solomon e., et al. (2014) deep neural networks rival the representation ofprimate it cortex for core visual object recognition. plos comput biol,10(12),e1003963. doi:10.1371/journal.pcbi.1003963.

[2] lecun, y., bengio, y. and hinton, g. e. (2015). deeplearning. nature, 521, 436–444.

[3] riesenhuber m, poggio t (1999) hierarchical models ofobject recognition in cortex. nature neuroscience 2: 1019–1025.