6.3: Detectores de bordes orientados en corteza visual primaria

Figura 6.7: Afinación de orientación de una neurona V1 individual en respuesta a estímulos de barra en diferentes orientaciones; esta neurona muestra preferencia por estímulos orientados verticalmente.

Las neuronas en la corteza visual primaria (V1) detectan la orientación de bordes o barras de luz dentro de su campo receptivo (RF, la región del campo visual de la que recibe entrada una neurona dada). La Figura 6.7 muestra datos característicos de registros electrofisiológicos de una neurona V1 individual en respuesta a barras orientadas. Esta neurona responde al máximo a la orientación vertical, con una caída graduada a ambos lados de esa. Esta es una forma muy típica de curva de afinación. La Figura 6.8 muestra que estas neuronas sintonizadas por orientación están organizadas topográficamente, de tal manera que las vecinas tienden a codificar orientaciones similares, y la sintonización de orientación varía de manera bastante continua sobre la superficie de la corteza.

Figura\(6.8\): Organización topográfica de detectores de bordes orientados en V1 — regiones vecinas de neuronas tienen afinación de orientación similar, como se muestra en este mapa colorido donde diferentes colores indican preferencia de orientación como se muestra en el panel C. El panel B muestra cómo un bucle completo de orientaciones de 360 grados nuclean alrededor de un punto central, estas se conocen como estructuras de molinete.

La pregunta que intentamos abordar en esta sección es ¿por qué tal organización topográfica de detectores de bordes orientados existiría en la corteza visual primaria? Hay múltiples niveles de respuesta a esta pregunta. En el nivel más abstracto, estos bordes orientados son los componentes básicos de los tipos de imágenes que suelen caer sobre nuestras retinas. Estas son las regularidades estadísticas más obvias de las imágenes naturales (citar: Olshausen & Field, xx). Si este es efectivamente el caso, entonces esperaríamos que el aspecto autoorganizativo del algoritmo de aprendizaje XCAL utilizado en nuestros modelos (como se discute en el Capítulo de Aprendizaje) extraería naturalmente estas regularidades estadísticas, proporcionando otro nivel de explicación: V1 representa borde orientado detectores porque esto es lo que desarrollarán naturalmente los mecanismos de aprendizaje.

La situación aquí es esencialmente equivalente al modelo de aprendizaje autoorganizado explorado en el Capítulo de Aprendizaje, el cual fue expuesto a líneas horizontales y verticales, y aprendió a representar estas fuertes regularidades estadísticas en el entorno.

Sin embargo, esa simulación anterior no hizo nada para abordar la topografía de las neuronas V1 — ¿por qué los vecinos tienden a codificar información similar? La respuesta que exploramos en la siguiente simulación es que la conectividad a nivel de vecindario puede hacer que las neuronas cercanas tiendan a activarse juntas, y debido a que la actividad impulsa el aprendizaje, esto hace que tiendan a aprender cosas similares.

Exploración de simulación

Abra V1Rf para explorar el desarrollo de detectores de bordes orientados en V1. Este modelo se expone a un conjunto de imágenes naturales, y aprende a codificar bordes orientados, porque son la regularidad estadística presente en estas imágenes. La Figura 6.9 muestra el mapa resultante de orientaciones que se desarrolla.

Figura\(6.9\): Organización topográfica de detectores de bordes orientados en simulación de neuronas V1 expuestas a pequeñas ventanas de imágenes naturales (montañas, árboles, etc.). La conectividad vecinal de las neuronas provoca el desarrollo de una organización topográfica.