MARC

 008240612s2023      us  |||||||||||||||c||eng  d
■001000016931829
■00520240214100124
■006m          o    d                
■007cr#unu||||||||
■020    ▼a9798379755898
■035    ▼a(MiAaPQ)AAI30424885
■040    ▼aMiAaPQ▼cMiAaPQ
■0820  ▼a153
■1001  ▼aZhang,  Lingqi.
■24510▼aSensory  Representations  Optimized  for  the  Natural  Environment▼h[electronic  resource]
■260    ▼a[S.l.]:▼bUniversity  of  Pennsylvania.  ▼c2023
■260  1▼aAnn  Arbor  :▼bProQuest  Dissertations  &  Theses,  ▼c2023
■300    ▼a1  online  resource(152  p.)
■500    ▼aSource:  Dissertations  Abstracts  International,  Volume:  84-12,  Section:  B.
■500    ▼aAdvisor:  Brainard,  David  H.;Stocker,  Alan  A.
■5021  ▼aThesis  (Ph.D.)--University  of  Pennsylvania,  2023.
■506    ▼aThis  item  must  not  be  sold  to  any  third  party  vendors.
■520    ▼aThe  limited  resources  available  to  the  visual  system  must  be  allocated  efficiently  to  support  its  function.  To  achieve  this,  our  brain  needs  to  take  advantage  of  the  statistical  regularities  of  our  visual  environment.  In  this  thesis,  I  systematically  explore  how  different  aspects  of  natural  stimulus  statistics  can  impact  and  determine  perceptual  behavior  and  sensory  representation  in  both  biological  and  artificial  systems.  In  Chapter  1,  I  provide  a  brief  review  of  the  theory  of  efficient  coding,  models  of  natural  image  statistics,  and  the  interplay  between  these  two  fields.  In  Chapter  2,  based  on  a  Bayesian  ideal  observer  model  that  is  constrained  by  efficient  coding,  I  show  how  simple  stimulus  priors  can  provide  a  quantitative  link  between  psychophysics  and  neurophysiology  in  the  domain  of  speed  perception.  In  Chapter  3,  I  extend  these  ideas  to  the  domain  of  sensory  adaptation.  In  particular,  I  develop  a  method  to  quantify  changes  in  sensory  encoding  in  a  tilt  illusion  experiment,  and  find  that  these  changes  are  consistent  with  an  efficient  coding  account  for  which  the  encoding  is  optimized  toward  the  conditional  statistics  of  orientation  based  on  the  surrounding  context.  In  Chapter  4,  I  generalize  the  efficient  coding  principle  to  fully  naturalistic  stimuli  by  building  models  of  natural  image  statistics  and  image-computable  ideal  observers  to  quantify  the  information  encoded  by  the  early  stages  of  visual  encoding.  I  show  how  features  of  the  retinal  encoding  can  be  explained  by  an  optimal  design  principle.  In  Chapter  5,  I  present  a  novel  algorithm  for  directly  solving  the  linear  optimal  coding  problem  by  finding  the  set  of  linear  measurements  that  minimize  error  in  a  Bayesian  image  reconstruction  problem.  This  approach  improves  upon  established  methods  such  as  principal  component  analysis  and  compressed  sensing,  and  provides  a  unifying  perspective.  Lastly,  in  Chapter  6,  I  discuss  open  questions  and  future  directions.
■590    ▼aSchool  code:  0175.
■650  4▼aCognitive  psychology.
■650  4▼aBiology.
■650  4▼aStatistics.
■653    ▼aBayesian  inference
■653    ▼aEfficient  coding
■653    ▼aImage  statistics
■653    ▼aNeural  coding
■653    ▼aPerception
■653    ▼aVisual  system
■690    ▼a0633
■690    ▼a0306
■690    ▼a0463
■71020▼aUniversity  of  Pennsylvania▼bPsychology.
■7730  ▼tDissertations  Abstracts  International▼g84-12B.
■773    ▼tDissertation  Abstract  International
■790    ▼a0175
■791    ▼aPh.D.
■792    ▼a2023
■793    ▼aEnglish
■85640▼uhttp://www.riss.kr/pdu/ddodLink.do?id=T16931829▼nKERIS▼z이  자료의  원문은  한국교육학술정보원에서  제공합니다.
■980    ▼a202402▼f2024

Preview

Export

ChatGPT Discussion

AI Recommended Related Books