讲者介绍

杜长德，本科毕业于北京信息科技大学自动化学院，中科院自动化所类脑智能研究中心2016级普博生，指导老师为何晖光研究员。研究生期间主要从事统计机器学习、深度学习及人脑视觉神经信息处理模型研究。研究生期间在国际顶级/高水平期刊/会议发表多篇学术论文, 如IEEE TNNLS、ACMMM、IJCAI、SIGKDD、ECML、UAI等。其关于人脑视觉信息解码的研究工作曾被《MIT Technology Review》、《中国科学院》等头条报道。其在《全国大学生类脑计算创新应用大赛》获得优异成绩。曾获得博士国家奖学金，中科院三好学生，自动化所攀登二等奖学金等荣誉。

报告题目：基于深度学习的人脑视觉神经信息编解码研究进展及挑战

报告摘要：现实世界中，外部视觉刺激是多种多样、杂乱无章的，而人类的视觉系统，从视网膜到高级视觉皮层的各个认知阶段，却能以某种方式稳定地识别和理解这些视觉输入数据。人脑在复杂视觉信息处理方面具有计算机所无法比拟的高效性、鲁棒性。视觉信息编码是指人脑将外部视觉刺激转换成神经活动信号的过程，解码是指根据观测到的脑信号模式预测对应的外部视觉刺激的过程。研究人脑视觉神经信息编解码，开发类似人脑的视觉信息处理模型，对于提高机器的智能感知能力具有重要意义。本报告将围绕深度学习来讲解视觉神经信息编解码研究进展以及该领域面临的挑战。

Spotlight：

视觉神经信息编解码背景介绍；
深度神经网络助力计算机视觉发展；
深度神经网络与人脑视觉神经编码；
感受野及可解释的人脑视觉编码模型；
该领域存在的一些难点和挑战。

论文推荐

由SFFAI17分享者杜长德同学为大家精选出来的关于生物视觉建模的论文，将带你了解类脑研究的基本方向。

1. Generic decoding of seen and imagined objects using hierarchical visual features

推荐理由：2017年日本Kamitani团队提出的基于深度学习的神经解码研究，发表在nature communication上。该文章系统研究了各种视觉特征（SIFT,GIST,CNN1-8等）与大脑视觉皮层各个脑区（V1,V2, V4,…）之间的对应关系，分析了计算机视觉模型和人脑视觉之间的联系和差异。该研究项目采用ImageNet图像数据库中的部分类别作为视觉刺激，并且已经将大脑信号数据和代码开源，为该领域做出了很大贡献。由于论证了深度神经网络和大脑视觉通路的联系，为任意物体的视觉神经编解码研究建立了很好的基础，值得仔细阅读。

2. Neural Encoding and Decoding with Deep Learning for Dynamic Natural Vision

推荐理由：2017年普渡大学Zhongming Liu团队提出的基于深度学习的神经编解码研究，发表在Cerebral Cortex上。该文章从动态视频刺激入手研究人脑对动态场景的编码和解码能力。文章采用AlexNet为基础深度学习网络，将视频刺激在AlexNet中的各层表征与大脑视觉皮层各个脑区建立关系。得出初级视觉皮层与神经网络的浅层特征相关性较高，而高级视觉皮层与神经网络深层次特征相关性较高的结论。文章实现了根据fMRI脑活动按数据重建对应的动态视频，虽然清晰度有待提高但该研究项目已经将数据和代码开源，值得一读。

3. The feature-weighted receptive field: an interpretable encoding model for complex feature spaces

推荐理由：2017年Naselaris等人提出的基于深度特征加权的神经编码模型，发表在NeuroImage上。该文章基于群体感受野和多层特征加权思想构建了一个可解释的神经编码模型，相较于传统的编码模型，该方法效果更好，可解释性也更好，为理解视觉神经编码方式作出了重要贡献。

推荐论文+讲者PPT 登录后获取查看地址