<?xml version="1.0" encoding="UTF-8"?><rss version="2.0"
	xmlns:content="http://purl.org/rss/1.0/modules/content/"
	xmlns:dc="http://purl.org/dc/elements/1.1/"
	xmlns:atom="http://www.w3.org/2005/Atom"
	xmlns:sy="http://purl.org/rss/1.0/modules/syndication/"
		>
<channel>
	<title>评论：Myth 和Truth：人脑不是计算机</title>
	<atom:link href="http://www.geekonomics10000.com/331/feed" rel="self" type="application/rss+xml" />
	<link>http://www.geekonomics10000.com/331</link>
	<description>用理工科思维理解世界</description>
	<lastBuildDate>Fri, 03 Feb 2012 04:32:48 +0000</lastBuildDate>
	<sy:updatePeriod>hourly</sy:updatePeriod>
	<sy:updateFrequency>1</sy:updateFrequency>
	<generator>http://wordpress.org/?v=3.3.1</generator>
	<item>
		<title>由：电动调压器型号</title>
		<link>http://www.geekonomics10000.com/331/comment-page-1#comment-4353</link>
		<dc:creator>电动调压器型号</dc:creator>
		<pubDate>Fri, 14 Oct 2011 20:21:10 +0000</pubDate>
		<guid isPermaLink="false">http://www.geekonomics10000.com/?p=331#comment-4353</guid>
		<description>&lt;strong&gt;电动调压器...&lt;/strong&gt;

[...]Myth 和Truth：人脑不是计算机 &#171; 学而时嘻之[...]...</description>
		<content:encoded><![CDATA[<p><strong>电动调压器&#8230;</strong></p>
<p>[...]Myth 和Truth：人脑不是计算机 &laquo; 学而时嘻之[...]&#8230;</p>
]]></content:encoded>
	</item>
	<item>
		<title>由：永远的幻想</title>
		<link>http://www.geekonomics10000.com/331/comment-page-1#comment-3624</link>
		<dc:creator>永远的幻想</dc:creator>
		<pubDate>Sun, 26 Jun 2011 13:55:19 +0000</pubDate>
		<guid isPermaLink="false">http://www.geekonomics10000.com/?p=331#comment-3624</guid>
		<description>文中提到的一个神经元负责识别每个人，这个是有名的“祖母细胞假设”。就是说有一个特殊的细胞负责识别自己的老祖母。

对于搞模式识别的人来说：这样的假设暗示：

1 最终做出判别的时候，特征是很简单的，算法是很简单的——因为单个细胞不可能有特别复杂的功能；（那种用成千上万维特征向量描述一张图像，用SVM啊、manifold啊什么的做分类器的，显然是搞计算机的、搞数学出身的人想出来的。人脑没这厉害功能-_-!）

2 人脑对图像的处理是层次化的。图像上混杂的部分，目标的各种变化……这些干扰判别的因素，经过逐级处理，变得不再混杂，或者说，描述图像的特征向量，一定是降维了。就是人们常说的站得越高，看得越清楚，这种意思。


这种bottom-up类型的算法性能不是目前最好的（最好的都是搞数学、计算机的人提的那些适合计算机的）。目前只能做到在快速浏览图像时达到或者超过人的能力（比如一幅图只许你看很短时间就做出判断，&lt;60ms）。因为，如果对一幅图像注视时间长了，人脑就会调动另一种慢速的、基于目标知识的、top-down的机制进行识别，这个是目前的算法很难做好的（简单的说，就像模板匹配：我脑子中有天鹅这个模型了，现在看见一个弯脖子，于是就调出模型，往我看到的弯脖子上套……）。

但“祖母细胞假设”仅仅是假设，06年的science上有篇论文（A Cortical Region Consisting Entirely of Face-Selective Cells）提到，对猴子进行研究，据说找到了专门识别人脸的区域。但也没精确到单个细胞。

楼主的提到的实验，有出处么？</description>
		<content:encoded><![CDATA[<p>文中提到的一个神经元负责识别每个人，这个是有名的“祖母细胞假设”。就是说有一个特殊的细胞负责识别自己的老祖母。</p>
<p>对于搞模式识别的人来说：这样的假设暗示：</p>
<p>1 最终做出判别的时候，特征是很简单的，算法是很简单的——因为单个细胞不可能有特别复杂的功能；（那种用成千上万维特征向量描述一张图像，用SVM啊、manifold啊什么的做分类器的，显然是搞计算机的、搞数学出身的人想出来的。人脑没这厉害功能-_-!）</p>
<p>2 人脑对图像的处理是层次化的。图像上混杂的部分，目标的各种变化……这些干扰判别的因素，经过逐级处理，变得不再混杂，或者说，描述图像的特征向量，一定是降维了。就是人们常说的站得越高，看得越清楚，这种意思。</p>
<p>这种bottom-up类型的算法性能不是目前最好的（最好的都是搞数学、计算机的人提的那些适合计算机的）。目前只能做到在快速浏览图像时达到或者超过人的能力（比如一幅图只许你看很短时间就做出判断，&lt;60ms）。因为，如果对一幅图像注视时间长了，人脑就会调动另一种慢速的、基于目标知识的、top-down的机制进行识别，这个是目前的算法很难做好的（简单的说，就像模板匹配：我脑子中有天鹅这个模型了，现在看见一个弯脖子，于是就调出模型，往我看到的弯脖子上套……）。</p>
<p>但“祖母细胞假设”仅仅是假设，06年的science上有篇论文（A Cortical Region Consisting Entirely of Face-Selective Cells）提到，对猴子进行研究，据说找到了专门识别人脸的区域。但也没精确到单个细胞。</p>
<p>楼主的提到的实验，有出处么？</p>
]]></content:encoded>
	</item>
	<item>
		<title>由：让大脑更自由 &#124; liansi.org</title>
		<link>http://www.geekonomics10000.com/331/comment-page-1#comment-3285</link>
		<dc:creator>让大脑更自由 &#124; liansi.org</dc:creator>
		<pubDate>Fri, 11 Mar 2011 19:14:27 +0000</pubDate>
		<guid isPermaLink="false">http://www.geekonomics10000.com/?p=331#comment-3285</guid>
		<description>[...] （行动指南：运用观察、假设、实验、结论的方法进行问题分析和推导学习。） ps：任何技能都是勤学苦练积累的结果，而不可能指望快速输入。同人于野在“人脑不是计算机”中对大脑结构的分析得到了两个推论和一个问题： [...]</description>
		<content:encoded><![CDATA[<p>[...] （行动指南：运用观察、假设、实验、结论的方法进行问题分析和推导学习。） ps：任何技能都是勤学苦练积累的结果，而不可能指望快速输入。同人于野在“人脑不是计算机”中对大脑结构的分析得到了两个推论和一个问题： [...]</p>
]]></content:encoded>
	</item>
	<item>
		<title>由：路过</title>
		<link>http://www.geekonomics10000.com/331/comment-page-1#comment-2411</link>
		<dc:creator>路过</dc:creator>
		<pubDate>Thu, 29 Jul 2010 08:28:10 +0000</pubDate>
		<guid isPermaLink="false">http://www.geekonomics10000.com/?p=331#comment-2411</guid>
		<description>西医根本就不是医生，那就是裁缝</description>
		<content:encoded><![CDATA[<p>西医根本就不是医生，那就是裁缝</p>
]]></content:encoded>
	</item>
</channel>
</rss>

