رباب فتحی - دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران
حمید کریمی - دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران
رضا ابراهیم پور - دانشکده مهندسی کامپیوتر، دانشگاه تربیت دبیر شهید رجایی، تهران، ایران

دستگاه بینایی انسان و سایر پستانداران به سادگی و به سرعت می تواند طیف وسیعی از اشیا را در شرایط مختلف از جمله تغییر اندازه، موقیعت، شدت روشنایی، نقطه دید و غیره را در یک صحنه طبیعی تشخیص دهد. یادگیری به کمک قوانین پیوستگی زمانی مانند قانون قدم به قدم زمانی فولداک یک فرضیه است که تغییرناپذیری در شناسایی بصری را توصیف می کند. در این پژوهش به بررسی تاثیر یادگیری با استفاده از پیوستگی زمانی در بازشناسی اشیا بر روی تغییرات مختلف در مدل های محاسباتی برگرفته از قشر بینایی شکمی می پردازد. ما به بررسی میزان تاثیر یادگیری تغییر ناپذیری با استفاده از قانون یادگیری پیوستگی زمانی یر سه نوع تغییر اندازه، شدت روشنایی و نقطه دید می پردازیم. این شبیه سازی نشان می دهد که یادگیری بازنمایی اشیا مستقل از تغییرات با استفاده از قانون یادگیری پیوستگی زمانی باعث بهبود عمل بازشناسی اشیا در مدل های محاسباتی در هر سه تغییر اندازه، شدت روشنایی و نقطه دید می شود.

بازشناسی مستقل از تغییرات اشیا، قانون یادگیری قدم به قدم زمانی، قشر بینایی شکمی مغز