循环连接通过解释消除机制促进遮挡物体识别

《Nature Communications》：Recurrent connections facilitate occluded object recognition by explaining-away

为解决大脑中普遍存在但功能不清的循环连接在视觉处理中的作用，研究人员开展了关于循环网络在遮挡物体识别中的计算机制研究。结果表明循环连接能利用遮挡物信息进行"解释消除"，挽救被遮挡物体的识别，这一发现通过卷积模型和人类心理物理学实验得到验证，为理解循环处理在感知中的普遍意义提供了新视角。

　　

当我们走在拥挤的街道上，视线中的人和物常常被各种障碍物部分遮挡，然而人脑却能毫不费力地识别出这些不完整的视觉信息。这种被称为"遮挡物体识别"的认知能力，一直是视觉神经科学领域的核心谜题。尽管我们知道大脑中存在着大量的循环连接，但相比前馈连接，这些循环连接在视觉处理中的具体作用仍然不甚明了。

目前视觉研究领域面临着一个关键问题：循环处理是否以及如何提高对遮挡物体的识别能力？为了回答这个问题，研究团队开展了一项创新性研究，他们利用视觉系统的卷积模型，揭示了一种独特的计算形式——这种形式只存在于循环网络而非前馈网络中。

研究人员发现，循环网络能够利用遮挡物的信息来"解释消除"遮挡效应。这意味着，当系统识别出遮挡物本身时，它就能为那些缺失或被改变的特征提供合理解释，从而可能挽救对被遮挡物体的识别。这一过程不需要对计算施加任何约束，无论是在系统性的卷积模型架构扫描中，还是在专门构建的近似灵长类视觉系统的模型中，都观察到了这一现象。

为了验证这一计算模型的预测，研究团队还设计了人类心理物理学实验，并发现了与"解释消除"机制一致的证据。更令人振奋的是，他们开发了一个受实验启发的循环模型，该模型能够通过解释消除机制恢复被遮挡刺激的精细特征。这表明循环连接的解释消除能力可能扩展到更普遍的情况，即在表征中消除上下文依赖性变化有利于感知的各种场景。

在技术方法层面，该研究主要采用了卷积神经网络模型构建、系统性架构扫描分析、灵长类视觉系统近似模型构建、人类心理物理学实验设计以及精细特征恢复模型开发等方法。

研究结果部分，通过"循环网络中的解释消除机制"这一发现，研究人员证实了循环连接能够利用遮挡物信息来补偿缺失特征；在"心理物理学实验验证"中，人类行为实验数据支持了模型预测的解释消除现象；而"精细特征恢复模型"则展示了循环网络如何实际恢复被遮挡刺激的细节信息。

这项研究的结论强调了循环连接在视觉处理中的独特作用，特别是通过解释消除机制促进遮挡物体识别的能力。这不仅深化了我们对大脑循环处理功能的理解，还为开发更鲁棒的计算机视觉系统提供了重要启示。该机制可能适用于任何需要消除上下文依赖性表征变化以改善感知的场景，具有广泛的理论和应用价值。研究成果发表于《Nature Communications》期刊，为视觉计算神经科学领域带来了新的突破。