解析人脑视觉机理：从神经元到信息处理层次

机器学习是研究计算机模拟人类学习行为的学科。因此，我们先要了解人的视觉系统是怎么工作的，怎么知道哪些特征好、哪些特征不好。

1958年，戴维·休伯尔（David Hubel）和托尔斯滕·威塞尔（Torsten Wiesel）研究瞳孔区域与大脑皮层神经元的对应关系。他们在猫的后脑头骨上开了一个3毫米的小洞，并向洞里插入电极测量神经元的活跃程度。经历了很多天的反复试验，戴维·休伯尔发现了一种被称为“方向选择性细胞”的神经元。当瞳孔发现物体的边缘，而且这个边缘指向某个方向时，这种神经元细胞就会兴奋。因此，神经中枢——大脑的工作过程或许是一个不断迭代、不断抽象的过程，即从原始信号做低级抽象，逐渐向高级抽象迭代。

人类的逻辑思维经常使用高度抽象的概念。例如，从原始信号摄入开始（瞳孔摄入像素），接着做初步处理（大脑皮层某些细胞发现边缘和方向），然后抽象（大脑判定眼前物体的形状是圆形的）、进一步抽象（大脑进一步判定该物体是一只气球）。这个生理学的发现促成了人工智能在四十年后的突破性发展。(www.xing528.com)

1981年诺贝尔医学奖获得者、美国神经生物学家戴维·休伯尔和托尔斯滕·威塞尔的主要贡献是发现了视觉系统的信息处理是分级的——从低级的V1区提取边缘特征，再到V2区的形状或者目标的部分等，再到更高层整个目标、目标的行为等。也就是说，高层特征是低层特征的组合，从低层到高层的特征表示越来越抽象、越来越能表现语义或者意图。而抽象层面越高，存在的可能猜测就越少，越利于分类。

1989年，燕乐存（Yann Le Cun）受生物学发现的启发，提出了卷积神经网络的雏形，1989年正式提出卷积神经网络。CNN更像生物神经网络，是深度学习的基础，已经成为当前众多科学领域的研究热点之一，特别是在模式分类领域，由于该网络避免了对图像的复杂前期预处理，可以直接输入原始图像，避免了传统识别算法中复杂的特征提取和数据重建过程，因而得到了更为广泛的应用，成为当前语音分析和图像识别领域的研究热点。