Upgrade to Pro
— share decks privately, control downloads, hide ads and more …
Speaker Deck
Features
Speaker Deck
PRO
Sign in
Sign up for free
Search
Search
[輪講] Representation of multiple objects in macaque category-selective areas
Search
kimny
November 26, 2018
Science
0
21
[輪講] Representation of multiple objects in macaque category-selective areas
論文(
https://www.nature.com/articles/s41467-018-04126-7
)の輪講で用いた資料です.スライド内の図はすべて論文からの引用です.
kimny
November 26, 2018
Tweet
Share
More Decks by kimny
See All by kimny
[輪講] Evolving Images for Visual Neurons Using a Deep Generative Network Reveals Coding Principles and Neuronal Preferences
k1mny
0
16
[輪講] Joint coding of shape and blur in area V4
k1mny
0
67
[輪講] Foreground-Background Segmentation Revealed during Natural Image Viewing
k1mny
0
52
Other Decks in Science
See All in Science
Avatar Fusion Karaoke: Research and development on multi-user music play VR experience in the metaverse
vrstudiolab
1
150
BMI 研究はなぜ同じ失敗を繰り返すのか(日本BMI研究会, 2021.11.5)
ykamit
1
1.9k
Xpenologyなるアングラプロジェクト周りについて語るやつ
sushi514
0
620
構造活性フォーラム2023-山﨑担当分
yamasakih
0
310
BigQueryで参加するレコメンドコンペ / bq-recommend-competition-kaggle-meetup-tokyo-2023
shimacos
1
1.3k
ABEMAの効果検証事例〜効果の異質性を考える〜
s1ok69oo
3
1.5k
Running llama.cpp on the CPU
ianozsvald
0
210
Machine Learning for Materials (Lecture 5)
aronwalsh
0
550
「国と音楽」 ~spotifyrを用いて~ #muana
bob3bob3
2
330
研究・教育・産学連携の循環の実践
sshimizu2006
0
220
【論文紹介】DocTr_ Document Transformer for Structured Information Extraction in Documents / iccv2023-doctr
yuya4
3
560
文系出身でも「アルゴリズム×数学」はスッキリ理解できた!話
wakamatsu_takumu
0
200
Featured
See All Featured
It's Worth the Effort
3n
180
27k
Atom: Resistance is Futile
akmur
258
25k
From Idea to $5000 a Month in 5 Months
shpigford
377
45k
個人開発の失敗を避けるイケてる考え方 / tips for indie hackers
panda_program
60
14k
Building Better People: How to give real-time feedback that sticks.
wjessup
354
18k
Done Done
chrislema
178
15k
Responsive Adventures: Dirty Tricks From The Dark Corners of Front-End
smashingmag
243
20k
Building a Modern Day E-commerce SEO Strategy
aleyda
16
6.4k
Making the Leap to Tech Lead
cromwellryan
123
8.5k
Facilitating Awesome Meetings
lara
41
5.6k
KATA
mclloyd
14
12k
RailsConf & Balkan Ruby 2019: The Past, Present, and Future of Rails at GitHub
eileencodes
124
32k
Transcript
Representation of multiple objects in macaque category-selective areas Pinglei Bao,
Doris Y. Tsao Nature communications 2018
概要 • 物体認識は様々な物体がある環境で行われる • ITの細胞は特定の物体にのみ応答できる • 顔や体に選択性がある細胞が複数物体を呈示し たときにどのように応答を統合するのかを調べ た •
結果:細胞の応答は近隣ニューロンで重み付け したnormalizationのフレームワークで説明でき ることがわかった – カテゴリ,空間的な構成,相対的なコントラストに よってルールを切り替えている – “winner-take-all”でclutter不変な顔/体の表現をし ている可能性を示唆 2
背景 • 複数の物体をどのように表現しているのか? • 腹側経路の最後のステージであるITに着目 – 細胞は“winner-take-all”であるはず • 好きな物体単体での応答と好きな物体+他での応答が等しい –
しかし多くの既存研究ではそうではない – “averaging”で説明できるが物体認識率は低い[10] • 既存の生理実験とヒトのfMRI結果 – 生理実験:ランダムなIT細胞をレコード[4,6,7,13] – ヒトのfMRI:顔/体選択性領域がclutter不変[20,21] • サルとヒトの乖離を埋めるためにfMRIで決定し たカテゴリ選択性領域の単一細胞データが必要 3
この研究の目的と結果 • IT細胞の複数物体に対する応答を再調査 • 2つの領域のニューロンを対象 – Middle lateral face patch(ML)
– Middle body patch(MB) – この2つは単純なaveragingの振る舞いをしない[4,7] • 単一のML,MB細胞が3つの振る舞いを切り替え ていることを発見 – 振る舞い:winner-take-all, contralateral-take-all, weighted averaging – 条件:カテゴリ,空間的な構成,相対的なコントラ スト 4
fMRIによるface patchの特定 • 顔/非顔物体が含まれるface localizer patchを 使ってfMRIのface patchを特定[14,26] • MLを電極でレコーディング
• 90%の細胞がface selectivity index > 0.33 5
呈示刺激の構成 • 3種類の顔と物体の組み合わせ • 水平,垂直に配置(3.2°) • V1はコントラストによって averagingからwinner-take-allに 変わる[8] ためコントラストも変調
• (180(4*9*5)pair+ 120(4*6*5)isolated)*8-10/cell 6
応答の結果(水平) • 顔が対側視野で非顔が同側だとwinner-take-all • weighted averaging( = + 1 −
) に従うとしてを算出 7
応答の結果(水平) • 顔が対側視野で非顔が同側だとwinner-take-all • weighted averaging( = + 1 −
) に従うとしてを算出 8 ML細胞の顔-物体刺激への応答は空間的な 構成と相対的なコントラストに強く依存
本当に対側に顔があることが条件なのか? • 受容野が対側に大きくあれば自然 な結果 • ITの受容野は大きく両視野にまで 及ぶ • 受容野位置がどの程度関係してい るか解析
– 各細胞の選好性をcontra-ipsi index(CII)で決定 – = − + . • 対側に選好性がある細胞が多い • 3つのグループ毎に統合ルールを 解析 9
本当に対側に顔があることが条件なのか? • 受容野が対側に大きくあれば自然 な結果 • ITの受容野は大きく両視野にまで 及ぶ • 受容野位置がどの程度関係してい るか解析
– 各細胞の選好性をcontra-ipsi index(CII)で決定 – = − + . • 対側に選好性がある細胞が多い • 3つのグループ毎に統合ルールを 解析 10 ML細胞の複数物体統合の振る舞いは 各ニューロンの空間チューニングに依らない
受容野位置の影響をみる別の手法(垂直) • 水平ではなく垂直に刺激を呈示する – これは既存研究(ほとんどのIT細胞は averaging)[4] の反例になりうる • この条件では配置に関係なく winner-take-all
11
受容野位置の影響をみる別の手法(垂直) • 水平ではなく垂直に刺激を呈示する – これは既存研究(ほとんどのIT細胞は averaging)[4] の反例になりうる • この条件では配置に関係なく winner-take-all
12 細胞の振る舞いは上下のチューニングにも 依存しない
顔選択性や時間の影響 • 複数物体統合の振る舞いを各ニューロンの顔選 択性の関数としてテスト • 既存研究[13] では高い選択性のあるIT細胞は clutterに弱い • 顔の重みを時間の関数としてもテスト
– 有意差はでない 13
ここまでのまとめ • 顔と物体を呈示したときの顔に選択性のあるIT (ML)細胞の応答を調べた • ML細胞の顔-物体刺激への応答は空間的な構成 と相対的なコントラストに強く依存 – 対側に顔,同側に物体だとwinner-take-all –
対側に物体,同側に顔だとweighted averaging • この振る舞いはニューロンの空間チューニング, 顔選択性の度合い,時間に依らない 14
2つのpref.刺激に対するMLの応答 • 2つの顔が呈示されたときに同じような振る舞 いをするのか? • 1000個の顔のペアを水平,垂直に呈示 • “active appearance model”で顔刺激作成
1. 200の顔をデータベースから取得 2. 特徴点を手動で付ける 3. 平均の位置/形状にモーフ(appearance情報) 4. 各200のshape/appearanceでPCA 5. 各3つの主成分を算出 6. 平均からappearance→shapeで変形 15
刺激の生成 • 選択した6次元でランダムに1000枚の顔を 作成 • 合わせて1000ペアの刺激を生成 • 単一の顔も含めて3000刺激*2-4/cell • 6次元に対するチューニングを取るためにSTA
16
STAの生成結果(水平) • 4つのコンディションでSTA (1) 対側に単独で顔を呈示 (2) 対側にペアの一部の顔を呈示 (3) 同側に単独で顔を呈示 (4)
同側にペアの一部の顔を呈示 • (1)と(2)が似ている – 対側の顔へのチューニングは別の 顔が呈示されているかどうかに依 存しない • (4)がほぼ0 – 対側に顔が呈示されると同側は見 ていない 17 (1) (2) (3) (4)
STAの生成結果(垂直) • 垂直のときは4つのコンディションで似た傾向 • ペアの方がゲインが小さい 18 水平 垂直
STAの生成結果(垂直) • 垂直のときは4つのコンディションで似た傾向 • ペアの方がゲインが小さい 19 水平 垂直 [水平] 細胞はcontralateral-take-allに従う
[垂直] 細胞はaveragingに従う
STAの相関 • 4つのSTAの相関を詳しく見る • 1つの細胞から6つ(6次元)プロット • eのSlopeがほぼ1→contralateral-take-all • fはほぼ0 •
g,hは0.5に近い→averaging 20
STAの相関 • 4つのSTAの相関を詳しく見る • 1つの細胞から6つ(6次元)プロット • eのSlopeがほぼ1→contralateral-take-all • fはほぼ0 •
g,hは0.5に近い→averaging 21 細胞はcontralateral-take-allとaveragingを 顔の配置(水平/垂直)で切り替えている
応答を正規化した解析 • コンディション毎に正規化した応答の解析 • 顔のペアで正規化した応答は対側に単体で顔が あるときで正規化した応答と有意に相関(a,c) • しかし同側に単体で顔があるときとは無相関 (b,d) 22
ここまでのまとめ • ML細胞は複数物体統合ルールを切り替えている – winner-take-all – contralateral-take-all – weighted averaging
• 条件 – カテゴリ – 空間的な構成 – 相対的なコントラスト • これらは定式化できるのか? – normalizationの簡単な神経計算で説明できる 23
統合の振る舞いについての解釈 • Normalization – ニューロンの応答を近隣ニューロンプールの応答の 合計で表現されるfactorで割る • = 11+22 11+22+
. – : 応答 – : 物体のコントラスト – : 2 = 0&1 ≫ のときの(物体1のみ呈示時の応答) – : 1 = 0&2 ≫ のときの(物体2のみ呈示時の応答) – : 物体に対する近隣ニューロンの重み ←norm. • はカテゴリ,空間的な構成に強く依存 – ex.) face patchの細胞なら ≫ 24
Normalizationモデルにおける重みの仮定 contralateral faces(1 ), ipsilateral faces(2 ), contralateral objects(3 ),
ipsilateral objects(4 ) 1 ≫ 2 ≈ 3 ≫ 4 とするとすべての結果を説明できる 25
LFPと重みの関係 • LFP(数百の細胞の応答≈プールされた抑制信 号)と重みの関係が一致 • LFP電圧をnorm.モデルの重みに適用 – 実際の応答と99.4, 98.7%の応答の相関 26
重みの正当性確認:フィッティング • の値を実験結果でフィッティング – LFPの値とよく似た結果に 27
重みの正当性確認:コントラスト • コントラストも考慮したモデル • 実際の応答と高い相関 28
重みの正当性確認:コントラスト • コントラストも考慮したモデル • 実際の応答と高い相関 29 Normalizationのフレームワークを拡張する ことで複数物体呈示も説明できる
Normalizationモデルの汎用性 • Normalizationモデルはface patchの細胞だけ が説明できるのか? • 体に選択性のあるMB細胞でテスト 30
MB細胞の統合ルール • 体が対側,顔が同側→winner-take-all • 体が同側,顔が対側→averaging • 体と物体でも同様の結果 31
MB細胞の統合ルール • 体が対側,顔が同側→winner-take-all • 体が同側,顔が対側→averaging • 体と物体でも同様の結果 32 Normalizationモデルで説明できる
faceとbodyの違い • 対側にnon-pref.同側にpref.のとき – face • averaging • 同側への応答>対側への応答 –
body • winner-take-all • 同側への応答<対側への応答 • face patchの対側への応答が大きいサブセット を見ても振る舞いは同じ 33 ITの中でも統合ルールは異なる
まとめ(1/2) • IT皮質のMLとMBにおいて複数物体に対する応 答をどのように統合しているのかを見てきた • ML,MBがwinner-take-allの振る舞いをする明確 な証拠を見つけた • clutter不変問題においてwinner-take-allが重要 な役割を担っている
• 顔が同側にあるときはコントラストによる weighted averagingになる • winner-take-allの振る舞いはヒトのfMRI研究と 一貫している[20,21,24] 34
まとめ(2/2) • 2つの顔が呈示されたときの振る舞いは水平, 垂直で異なる – 水平ではcontralateral-take-allに従う – 垂直では単純なaveragingに従う • MBの結果はMLと一貫している
• しかし違いもあるのでITの機能的役割の違いに 着目して統合メカニズムを解析することが重要 • normalizationは細胞がwinner-take-allに振る 舞うためのシンプルなモデルであり,clutter不 変な認識の助けになる 35