O modelo analisa os dados de imagem realísticos que refletem a entrada que visual um rato perceberia ao explorar um ambiente novo. O núcleo de seu modelo é um algoritmo matemático chamado “a análise de caraterística lenta”, que extrai a informação relevante à orientação dos dados de imagem. Com base neste algoritmo, o modelo gera pilhas do lugar e as pilhas principais do sentido - sem este ser uma exigência a priori.
Cada receptor no olho captura somente uma seção muito pequena da imagem percebida. Ao desloc o olhar apenas um pouco, a informação que cada único receptor transmite será completamente diferente do que antes. Quando os sensores entregarem dados constantemente em mudança, a informação importante para a orientação varia distante mais lentamente - a impressão total no exemplo acima permanece quase constante. As caraterísticas que variam lentamente podem ser obtidas dos dados de imagem pela análise de caraterística lenta.
Com seu modelo, os cientistas poderiam mostrar que a análise de caraterística lenta permite a emergência do que se poderia chamar “um mapa cognitivo” da seqüência linear de dados que visuais um rato recebe ao se mover através de um ambiente novo. Neste mapa, as posições são codificadas por pilhas do lugar, visto que um frame de referência direcional é dado pelas pilhas principais do sentido. É somente depois esta aprendizagem que as impressões visuais díspares podem ativar o mesmo jogo de pilhas do lugar ou do sentido da cabeça. Se, por exemplo, o rato é ficado situado no canto do norte de sua gaiola, as pilhas do mesmo lugar mostrarão a atividade, nenhuma matéria se é leste do título ou ocidental.
###
CITAÇÃO: Franzius M, Sprekeler H, Wiskott L (2007) lentidões e sparseness conduz para coloc, cabeça-sentido, e pilhas da espacial-vista. Biol 3 de PLoS Comput (8): e166. doi: 10.1371/journal.pcbi.0030166
|
