6、从昆虫身上获取灵感：神经形态视觉系统中的概念学习

从昆虫身上获取灵感：神经形态视觉系统中的概念学习

1. 引言

高效且低能耗的轻量级计算机视觉设备能够开拓全新的应用领域。例如，可靠的避障、定位和导航功能具有广泛的实际用途。然而，构建能够在比现有系统更复杂、更不确定的环境中执行这些任务的系统，是一项重大挑战。

神经形态视觉传感器是模拟/数字混合的超大规模集成电路（VLSI）设备，它们在硬件中实现生物视觉系统的模型。同样，神经形态神经处理系统实现了具有生物合理性的实时神经电路和架构模型，可配置以执行复杂的信号处理和计算任务。由神经形态视觉传感器和神经形态多神经元芯片组成的系统正变得足够精细和强大，可用于实际应用。

概念学习是动物认知的核心部分，它通过对以往经验的泛化，使动物在新情况下做出适当的运动反应。动物的概念学习主要有三种类型：
- 基于相似性的概念学习：根据物品的相似性进行分类。
- 关系型概念学习：相对于另一个物品对某一物品进行分类。
- 联想型概念学习：由于与另一个刺激或反应相关联，任意刺激变得可以互换。

传统计算机视觉的学习方法通常受哺乳动物视觉研究的启发，而近期对昆虫的研究为我们提供了一个有趣的补充研究方向。昆虫大脑相对较低的复杂性，使其成为生物启发计算架构进一步发展的有趣模型，特别是对于资源受限的应用，如微型机器人、无线传感器以及手持或可穿戴设备。

2. 昆虫的高阶学习

昆虫在复杂环境中生存，为我们理解小型化大脑如何高效处理信息提供了有价值的模型。尤其是蜜蜂，因其利他的生活方式，成为研究学习的优秀模型。早在100年前，诺贝尔奖获得者卡尔·冯·弗里施就证明了蜜蜂可以通过与甜溶液的关联条件作用来学习解决视觉任务。