• neuroscienze computazionali
• sistema visivo
• clustering
• visione artificiale
• riconoscimento degli oggetti
• reti neurali
• modelli bioispirati

Il presente lavoro di tesi è incentrato sull'analisi dell'attività di neuroni registrati nella corteccia visiva e nella comparazione di tali dati con alcuni modelli, tra cui un noto modello computazionale del "ventral stream", ossia la porzione del sistema visivo dei primati dedicata al riconoscimento degli oggetti. In particolare, il presente lavoro si propone di indagare le modalità con cui un insieme di immagini viene clusterizzato da una popolazione di neuroni inferotemporali e la capacità dei modelli di predire tale clustering.

Nella prima parte si descrive brevemente il sistema visivo dei primati, con particolare enfasi riguardo agli aspetti computazionali del processamento dell'informazione visiva nelle diverse zone cerebrali. Sono inoltre descritti alcuni recenti studi sulle proprietà dei neuroni in corteccia inferotemporale, la cui attività codifica in modo robusto l'identità delle immagini osservate.

Nella seconda parte della tesi viene trattato il problema del riconoscimento degli oggetti dal punto di vista computazionale e vengono descritti vari modelli del sistema visivo biologico.

Nella terza parte si descrive in particolare dettaglio il modello utilizzato nel presente lavoro. Tale modello è basato su una rete neurale di tipo gerarchico.

Nell'ultima parte, infine, vengono descritte le tecniche utilizzate e i risultati ottenuti. Il clustering ottenuto dai dati neurali viene confrontato con quelli forniti da un modello di tipo semantico, un modello basato sulle caratteristiche visive di basso livello delle immagini, e il suddetto modello del sistema visivo. Mentre viene ridimensionato rispetto a precedenti studi apparsi in letteratura il ruolo delle categorie semantiche nel clustering ottenuto dai dati neurali, si mostra come sia possibile spiegare molti dei cluster ottenuti sulla base di "feature" visive semplici o complesse. Inoltre, viene mostrato come il modello del ventral stream preso in esame offra una buona capacità di predizione dei cluster ottenuti dai dati neurali, ottenendo performance migliori rispetto ai modelli basati sulle caratteristiche visive di basso livello.