[正版]知觉学习(经验如何形成视觉感知)/智能科学与技术丛书

本书全面综合地介绍了知觉学习的现象、理论和应用，重点关注视觉领域。本书首先对知觉学习的原理进行阐述，然后探讨知觉学习的基本现象（学习和迁移）和机制（噪声特性、生理学证据）。同时，介绍知觉学习的计算模型，强调反馈对知觉学习的重要性，并讨论任务、注意力和奖励在知觉学习中的作用，对比视觉知觉学习和其他感官领域学习，讨论知觉学习的现有应用，并提出优化框架。

本书适合知觉学习领域的学生、研究人员及相关从业者阅读参考。

译者序

前言

第一部分 概述

 第1章 知觉学习的原理

 1.1 经验和学习在知觉中的重要性

 1.2 实验室中的知觉学习

 1.3 可塑性与稳定性

 1.4 提高人类表现中的信噪比

 1.5 重加权与表征变化

 1.6 生成模型和优化知觉学习的重要性

 1.7 总结与概述

 参考文献

第二部分 现象学

 第2章 视觉任务中的知觉学习

 2.1 知觉专长和知觉可塑性

 2.2 视觉知觉学习

 2.3 通过表征选择学习还是通过创造学习

 2.4 知觉学习研究的一种典型结构

 2.5 训练特征与任务类型

 2.6 单一特征的知觉学习

 2.6.1 方向

 2.6.2 空间频率

 2.6.3 相位

 2.6.4 对比度

 2.6.5 颜色

 2.6.6 敏锐度

 2.6.7 超锐度

 2.6.8 总结

 2.7 知觉学习模式

 2.7.1 复合刺激

 2.7.2 纹理、全局模式和搜索

 2.7.3 深度

 2.7.4 运动

 2.7.5 总结

 2.8 对象知觉学习和自然刺激

 2.8.1 轮廓、形状和对象

 2.8.2 面部和实体

 2.8.3 生物运动

 2.8.4 总结

 2.9 结论

 参考文献

 第3章 特异性与迁移性

 3.1 在知觉学习中的特异性和迁移性

 3.2 评估特异性和迁移性的范式

 3.3 任务结构分析

 3.4 行为证据

 3.4.1 视网膜位置特异性

 3.4.2 眼部特异性

 3.4.3 特征和对象特异性

 3.4.4 一阶和二阶特异性

 3.4.5 判断特异性

 3.4.6 环境特异性

 3.4.7 总结

 3.5 影响特异性和迁移性的因素

 3.5.1 任务难度和刺激精度

 3.5.2 适应性与特异性

 3.5.3 训练的程度和特异性

 3.5.4 通过交叉训练激活迁移性

 3.5.5 总结

 3.6 测量尺度、适应性估计、解耦训练和迁移性评估—未来研究的方向

 3.7 结论

 3.8 附录A：实验范式、分析方法、特异性和迁移性指数

 3.8.1 幂函数或指数学习以及特异性测量

 3.8.2 无基线的迁移范式

 3.8.3 有基线的迁移范式

 3.8.4 训练迁移范式

 3.8.5 交替训练范式

 3.8.6 不平等试验混合范式

 3.8.7 总结

 3.9 附录B：度量精细度的影响

 参考文献

第三部分 机制

 第4章 知觉学习机制

 4.1 知觉学习机制的信号和噪声分析

 4.2 信号检测理论

 4.3 观察者模型表现的系统分析

 4.3.1 人类表现的观察者模型

 4.3.2 知觉模板模型

 4.3.3 使用外部噪声方法确定PTM

 4.4 利用外部噪声研究知觉学习

 4.4.1 PTM中知觉学习的机制和特征

 4.4.2 一种典型的知觉学习的外部噪声研究

 4.5 视觉任务中知觉学习的机制

 4.5.1 利用外部噪声理解知觉学习

 4.5.2 不同知觉学习机制的分离表达

 4.5.3 PTM和外部噪声方法的应用

 4.5.4 总结

 4.6 结论

 4.7 附录

 4.7.1 指定PTM

 4.7.2 指定模板

 4.7.3 知觉学习机制的详细特性

 4.7.4 PTM的细化

 参考文献

 第5章 生理基础

 5.1 知觉学习的生物学基础

 5.2 生理基础

 5.2.1 大脑功能区

 5.2.2 视觉系统

 5.2.3 知觉决策、奖励和注意力的回路

 5.2.4 讨论

 5.3 用生物学来理解学习

 5.4 来自单细胞记录的证据

 5.4.1 特征的知觉学习

 5.4.2 模式的知觉学习

 5.4.3 物体和场景的知觉学习

 5.4.4 单细胞实验中的知觉学习综述

 5.5 来自脑成像的证据

 5.5.1 特征的知觉学习

 5.5.2 模式的知觉学习

 5.5.3 物体的知觉学习

 5.5.4 知觉学习的脑成像研究综述

 5.6 讨论

 5.6.1 重加权在哪里

 5.6.2 与内部噪声和观察者模型的关系

 5.6.3 详细计算研究

 5.7 结论

 参考文献

第四部分 模型

 第6章 知觉学习模型

 6.1 建模的目标

 6.2 知觉学习的经典模型

 6.3 重加权假设与AHRM模型

 6.3.1 通过通道重加权进行知觉学习

 6.3.2 AHRM的发展

 6.4 AHRM的测试和应用

 6.4.1 非稳定环境下的知觉学习

 6.4.2 知觉学习的基本机制

 6.4.3 高噪声和低噪声下学习的非对称迁移

 6.4.4 预训练机制的影响

 6.4.5 多任务的协同学习分析

 6.5 学习的其他重加权模型

 6.6 总结

 6.7 未来方向

 6.8 附录：AHRM实现细则

 6.8.1 表征模块

 6.8.2 特定于任务的决策模块

 6.8.3 学习模块

 6.8.4 自适应偏差或标准控制

 参考文献

 第7章 反馈

 7.1 知觉学习中的反馈

 7.2 经验研究文献

 7.3 学习规则和反馈

 7.4 反馈和AHRM

 7.4.1 非平稳外部噪声环境下的反馈和学习

 7.4.2 目标训练的准确性和逐项试验反馈

 7.4.3 包括高准确性试验的混合

 7.4.4 建模逐项试验、错误、随机和反向反馈

 7.4.5 建模块反馈

 7.4.6 训练不对称与诱导偏差

 7.5 多刺激识别中的学习

 7.6 总结

 7.7 未来方向

 参考文献

 第8章 对迁移性和特异性进行建模

 8.1 集成重加权理论

 8.2 对迁移性的日常类比

 8.3 分层表征和迁移

 8.4 预分层模型

 8.5 属于IRT的AHRM

 8.6 具有位置不变表征的IRT

 8.7 IRT的实验应用

 8.7.1 位置和特征特异性

 8.7.2 任务精度和迁移性

 8.7.3 在不同位置的偏差训练的特异性和迁移性

 8.7.4 双重训练、范式特异性和位置迁移性

 8.7.5 任务漫游和多个位置

 8.8 其他模型

 8.9 未来方向

 参考文献

 第9章 任务、注意力与奖励的自上而下的影响

 9.1 知觉学习与选择性

 9.2 任务相关和任务无关的学习

 9.2.1 与学习任务相关的判断

 9.2.2 与任务无关的知觉学习

 9.2.3 总结

 9.3 注意力与知觉学习

 9.3.1 注意力控制系统

 9.3.2 注意力的类型与基本的注意力范式

 9.3.3 注意力对与任务相关的知觉学习的影响

 9.3.4 注意力对与任务无关的学习的影响

 9.3.5 知觉学习改变了对注意力的需求

 9.3.6 总结

 9.4 奖励和知觉学习中的其他干预

 9.4.1 奖励系统

 9.4.2 人类知觉学习中的奖励

 9.4.3 知觉学习中的药物干预

 9.4.4 总结

 9.5 自上而下的影响、重加权，以及选择与创造

 9.6 总结与未来方向

 9.7 附录：知觉学习的扩展模型

 参考文献

第五部分 对比、应用和优化

 第10章 可塑性的形式和其他模态

 10.1 学习和可塑性

 10.2 可塑性的不同时间尺度

 10.2.1 视觉进化

 10.2.2 视觉发展

 10.2.3 适应

 10.2.4 讨论

 10.3 其他感官模态的学习

 10.3.1 听觉知觉学习

 10.3.2 触觉知觉学习

 10.3.3 味觉和嗅觉的知觉学习

 10.3.4 多感官知觉学习

 10.3.5 总结

 10.4 类别学习

 10.5 总结

 参考文献

 第11章 应用

 11.1 从实验室到世界的知觉学习

 11.2 知觉训练与专业知识

 11.3 教育中的知觉学习

 11.3.1 训练听觉以提高语言和阅读能力

 11.3.2 在数学教育中训练视觉知觉

 11.4 使用电子游戏训练视觉知觉

 11.5 视觉训练的限制

 11.5.1 弱视

 11.5.2 近视

 11.5.3 老化和老花眼

 11.5.4 低视力

 11.5.5 手术、镜片和传感器植入的调整

 11.5.6 皮质盲

 11.6 总结

 11.7 转换知觉学习

 11.7.1 商业化

 11.7.2 挑战

 11.7.3 监管环境

 11.8 总结

 参考文献

 第12章 优化

 12.1 利用视觉知觉学习

 12.2 一个优化框架

 12.3 优化的步骤

 12.4 优化学习的量级

 12.4.1 对学习规则的分析

 12.4.2 促进学习的操作

 12.4.3 总结

 12.5 优化稳健性、泛化和转移

 12.5.1 迁移模型示意图

 12.5.2 用于泛化的操作

 12.5.3 总结

 12.6 新的生成模型

 12.7 理论的未来

 参考文献