• 教授人工智能

• 我的研究小组说明了一种模型驱动的方法来探索视觉感知和认知。目前，视觉感知的研究积累了许多实验数据。由于基本过程已经非常复杂，并且提供了简单的解释，因此需要更多的研究来阐述神经计算模型的形式的理论基础。我们感兴趣的模型，尝试捕获大脑中基本机制和过程的时间动态，主要是在人口代码级别上。我们的研究目标是三倍。i）我们想将单个模型中的不同实验观察链接起来，以解决常见的基本机制。ii）我们通过合作测试模型的实验预测。我们预计，作为不同大脑区域的一部分，呼吁更高功能的模型将在指导研究中获得越来越多的影响。iii）还通过观察其在现实世界任务（例如对象/类别识别）上的性能来测试模型的有效性。我们相信这种神经生物学方法为未来的计算机视觉解决方案提供了很高的潜力。

• - 旁观空间感知

• 
• 当我们看一个场景时，我们会感觉到视觉世界的所有细节和丰富性。是什么使我们获得了视觉空间的体验，我们如何整合跨眼动的感知？即使在扫视发作之前，使用短暂闪烁的刺激的研究也揭示了感知的变化，例如视觉空间的压缩。但是，尚未揭示导致“压缩”的神经机制，也没有揭示其在感知中的作用。我们已经开发了一种神经计算模型，以进一步指导该领域的研究。
  
  该模型（参见Hamker等人，PLOSComp。Biol，印刷中）由两层组成。第1层在考虑到RF大小和放大倍率的皮质坐标系统中，在皮层坐标系统中编码刺激的位置。该人群被眼球或细心反馈信号扭曲。合并的扭曲种群在第2层表示，用于确定感知位置。

• 注意力

• 
• Vision提供了有关我们环境的丰富信息。视觉上的困难出现了，由于图像中这些信息并不明显，因此必须积极构建。尽管较早的算法偏爱自下而上的方法，该方法将图像转换为世界内部表示，而最新的算法搜索替代方案并开发了利用自上而下连接的框架。在后一条研究之后，我们概述了感知是一个积极的过程：额叶区域的策划阶段在早期阶段修改感知，以从环境输入中构建所需的信息。这项研究导致一种新颖的方法称为“基于人群的推论”。模型的预测经过实验测试。自然场景感知已证明了一个大规模的模型。
  
  最小相互作用的大脑区域集的概述。我们的模型区域仅限于基本但典型的过程，并且不会在这些区域中复制所有功能。箭头表示与模型相关的区域之间已知的解剖联系。未明确建模将FeedForward输入发送到模型的区域。框中的标签表示已实施区域。（b）模拟模型区域的草图。每个盒子代表一个细胞的群体。这些人群的形成是一个时间动力学过程。自下而上（驾驶）连接由黄色箭头表示，自上而下（调节）连接显示为红色箭头。V4和其他区域中的两个盒子表明，我们在并行中模拟了两个维度（例如''''''''''''''和“形式”）。 The FEF pools across dimensions.

• 类别/对象识别

• 
• 基于我们早期研究的研究概念作为主动模式产生的概念，我们旨在将注意力和对象识别结合在单个互连网络中。我们将在自然场景中展示对象识别的性能，并为将视觉理解作为一个建设性过程提供重要的一步。学习进料和反馈权重将导致模型单元，这些模型细胞随着层次结构的增加而编码更大的视野和更复杂的刺激特性。反馈可以解决歧义并揭示视觉细节。该项目由DFG资助。
  
  
  腹侧通路和额眼场的模型，以供注意力和对象识别。从图像中，获得了不同的特征图（颜色和方向），每个位置的每个特征都以人口代码为单位。学习的前馈W和反馈权重A彼此连接。

• 视觉感知的认知控制

• 
• 我们较早的研究通过主动的，自上而下的推理过程正式化了感知，在该过程中将通过参与任务协调的领域来学习和维护目标模板。在基于奖励的场景中，将实现适当的模板的学习及其在及时的及时激活。在这方面，我们旨在开发一个模型，说明前额叶皮层和皮层结构如何相互作用以在及时生成目标模板，从而指导视觉过程。该研究项目得到了DFG的支持。
  
  
  a）模型的功能草图。我们建议视觉感知的解决方案必须灵活地考虑先验知识。先验知识可以将视觉指向感兴趣的对象，也可以确定保留在记忆中的视觉场景中的方面。在这两种情况下，前瞻性信号（我们也称为目标模板）都用于增强相关输入的表示。在视觉搜索情况下，这种自上而下的信号可以通过自上而下的连接来指导视觉，这些连接必须学习。在其他情况下，该信号决定了必须绑定到当前任务的场景的相关方面。
  
  b）大脑中如何实现该模型的注意力，对象识别和类别学习。视觉（红色）部分实现匹配检测和视觉选择。视觉认知（蓝色）部分可确保及时学习和激活正确的模板。为简单起见，腹侧路径中的某些区域在可比的水平上考虑，并通过单个地图（例如V1/V2）进行描述。该区域之间的连接通常是双向的。

• 掩盖和有意识的感知

• 
• 我们研究了与短暂呈现的刺激及其可能的神经基础有关的有意识视觉感知的动态方面。从向后掩盖的发现得到了强烈支持，形成对象作为视觉感知的核心的概念得到了强烈的支持。我们特别建议意识与基底神经节介导的封闭的丘脑皮层环的形成有关。

• Narchy（人工神经网络建筑师）

• 
• 
  Annarchy是分布式平均速率或尖峰神经网络的模拟器。库的核心用C ++编写，并在Python中提供一个接口。当前的开发版本为3.0，很快将在GNU GPL下发布。
  建立了Annarchy是为了模拟分布式和生物学上合理的神经网络，这意味着神经元仅通过其与其他神经元的连接访问本地信息，但不访问全局信息，例如整个网络的状态或其他神经元的连接。原则上，在本生物学上不可接受的机制（如后传播和获胜者）不适合该模拟器。
  
  建筑学
  Annarchy专门针对神经网络的学习能力。主要对象Annarnetwork是人工神经元的互连异质种群（Annarpopulation）的集合。每个人群都包含一组类似的人工神经元Annarneuron，其激活由各种微分方程统治。神经元的激活取决于它从中接收连接的网络的其他神经元之一（通过突触，annar量化）。
  神经元接收到的连接存储在不同的数组中，具体取决于分配给它们的类型：现实的神经元不会平均整合其所有输入，而是根据其神经递质类型（AMPA，NMDA，NMDA，GABA，GABA，多巴胺，差异化处理它们。。可以单独集成每种连接以修改神经元的激活。
  这个传入的连接组织还可以轻松地将其应用于不同的学习规则（Hebbian，Anti-Hebbian，多巴胺调制，STDP ...），在Annarlearnearningrule类中定义了学习规则，可以在不同的网络中重复使用。
  代表外部世界的类Annarworld允许网络以输入/输出方式与其环境交互（检索输入图像，执行操作...）

• 虚拟现实中神经元药物的模拟

• • 
  • • 该研究项目的目的是模拟其他项目中开发的人脑的综合认知模型，以调查在虚拟现实中与环境相互作用的认知剂的性能。每个代理都有类似人类的外观，特性和行为。因此，该项目建立了将脑状算法转移到技术系统中。
      
      系统
      神经元药物及其虚拟环境（VR）在分布式和专业的设备上模拟。代理商具有人类的所有主要能力，他们能够执行简单的动作，例如移动或跳跃，移动眼睛和头部并表现出情感上的表情。代理商根据他们的行为和对环境的感觉后果自主学习的行为。为此，VR引擎包含基本的动作和物理发动机。小动作（例如伸展手臂）是由VR引擎动画的，而神经元模型则宁愿控制高级动作选择，例如抓住某个对象。
      为了调查神经元代理与人类用户的相互作用，世界将包括用户控制的化身。这些人将能够通过适当的VR Intterfaces接收感官信息，例如，投影系统将提供视觉信息。用户还将能够与环境互动，必要的移动信息将通过跟踪他们的面部和四肢来收集。该面部跟踪特别用于检测用户的情绪，以调查人与神经元剂之间的情感交流。
      从技术上讲，该设备由几个子部分组成：虚拟现实引擎，模拟代理大脑的神经群集和一个沉浸式投影系统，以将人类用户映射到头像。群集本身将能够并行模拟多个神经元模型，使我们可以使用多代理设置。集群将由NVIDIA CUDA加速卡（硬件层）和Neuronal Simulator Framework Workwork（软件层）组成。

• 情绪

• • 
  • • 尽管经典理论系统地反对情感和认知，这表明情绪扰乱了理性思想的正常功能，但神经科学的最新进展突出了相反的情绪过程，即情绪过程是认知过程的核心，将注意力引导到情感上是与情感上的刺激，从对外部事件的记忆，评估行动及其序列之间的关联，通过允许比较不同目标的动机价值，并更普遍地指导行为来满足有机体的需求，从而偏向决策。