知觉学习:经验如何形成视觉感知

rceptual Learning: How Experience Shapes Visual Perception
译者序
前言
**部分　概述
第1章　知觉学习的原理2
1.1　经验和学习在知觉中的重要性2
1.2　实验室中的知觉学习4
1.3　可塑性与稳定性7
1.4　提高人类表现中的信噪比12
1.5　重加权与表征变化14
1.6　生成模型和优化知觉学习的重要性18
1.7　总结与概述19
参考文献20
第二部分　现象学
第2章　视觉任务中的知觉学习26
2.1　知觉专长和知觉可塑性26
2.2　视觉知觉学习27
2.3　通过表征选择学习还是通过创造学习28
2.4　知觉学习研究的一种典型结构29
2.5　训练特征与任务类型32
2.6　单一特征的知觉学习34
2.6.1　方向34
2.6.2　空间频率35
2.6.3　相位36
2.6.4　对比度36
2.6.5　颜色37
2.6.6　敏锐度38
2.6.7　超锐度39
2.6.8　总结41
2.7　知觉学习模式41
2.7.1　复合刺激42
2.7.2　纹理、全局模式和搜索42
2.7.3　深度44
2.7.4　运动45
2.7.5　总结47
2.8　对象知觉学习和自然刺激48
2.8.1　轮廓、形状和对象48
2.8.2　面部和实体49
2.8.3　生物运动50
2.8.4　总结51
2.9　结论51
参考文献53
第3章　特异性与迁移性59
3.1　在知觉学习中的特异性和迁移性59
3.2　评估特异性和迁移性的范式61
3.3　任务结构分析63
3.4　行为证据66
3.4.1　视网膜位置特异性66
3.4.2　眼部特异性68
3.4.3　特征和对象特异性69
3.4.4　一阶和二阶特异性71
3.4.5　判断特异性73
3.4.6　环境特异性74
3.4.7　总结76
3.5　影响特异性和迁移性的因素77
3.5.1　任务难度和刺激精度77
3.5.2　适应性与特异性79
3.5.3　训练的程度和特异性80
3.5.4　通过交叉训练激活迁移性81
3.5.5　总结84
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84
3.7　结论85
3.8　附录A：实验范式、分析方法、特异性和迁移性指数86
3.8.1　幂函数或指数学习以及特异性测量87
3.8.2　无基线的迁移范式88
3.8.3　有基线的迁移范式89
3.8.4　训练迁移范式91
3.8.5　交替训练范式92
3.8.6　不平等试验混合范式92
3.8.7　总结93
3.9　附录B：度量精细度的影响93
参考文献95
第三部分　机制
第4章　知觉学习机制102
4.1　知觉学习机制的信号和噪声分析102
4.2　信号检测理论103
4.3　观察者模型表现的系统分析104
4.3.1　人类表现的观察者模型104
4.3.2　知觉模板模型105
4.3.3　使用外部噪声方法确定PTM107
4.4　利用外部噪声研究知觉学习109
4.4.1　PTM中知觉学习的机制和特征109
4.4.2　一种典型的知觉学习的外部噪声研究111
4.5　视觉任务中知觉学习的机制113
4.5.1　利用外部噪声理解知觉学习113
4.5.2　不同知觉学习机制的分离表达116
4.5.3　PTM和外部噪声方法的应用119
4.5.4　总结120
4.6　结论120
4.7　附录121
4.7.1　指定PTM121
4.7.2　指定模板122
4.7.3　知觉学习机制的详细特性125
4.7.4　PTM的细化127
参考文献130
第5章　生理基础134
5.1　知觉学习的生物学基础134
5.2　生理基础136
5.2.1　大脑功能区136
5.2.2　视觉系统137
5.2.3　知觉决策、奖励和注意力的回路141
5.2.4　讨论143
5.3　用生物学来理解学习143
5.4　来自单细胞记录的证据145
5.4.1　特征的知觉学习146
5.4.2　模式的知觉学习151
5.4.3　物体和场景的知觉学习154
5.4.4　单细胞实验中的知觉学习综述 157
5.5　来自脑成像的证据158
5.5.1　特征的知觉学习159
5.5.2　模式的知觉学习161
5.5.3　物体的知觉学习164
5.5.4　知觉学习的脑成像研究综述164
5.6　讨论166
5.6.1　重加权在哪里167
5.6.2　与内部噪声和观察者模型的关系168
5.6.3　详细计算研究169
5.7　结论170
参考文献170
第四部分　模型
第6章　知觉学习模型178
6.1　建模的目标178
6.2　知觉学习的经典模型180
6.3　重加权假设与AHRM模型184
6.3.1　通过通道重加权进行知觉学习184
6.3.2　AHRM的发展186
6.4　AHRM的测试和应用187
6.4.1　非稳定环境下的知觉学习188
6.4.2　知觉学习的基本机制192
6.4.3　高噪声和低噪声下学习的非对称迁移193
6.4.4　预训练机制的影响194
6.4.5　多任务的协同学习分析196
6.5　学习的其他重加权模型197
6.6　总结199
6.7　未来方向200
6.8　附录：AHRM实现细则201
6.8.1　表征模块201
6.8.2　特定于任务的决策模块203
6.8.3　学习模块204
6.8.4　自适应偏差或标准控制204
参考文献205
第7章　反馈208
7.1　知觉学习中的反馈208
7.2　经验研究文献209
7.3　学习规则和反馈210
7.4　反馈和AHRM213
7.4.1　非平稳外部噪声环境下的反馈和学习213
7.4.2　目标训练的准确性和逐项试验反馈214
7.4.3　包括高准确性试验的混合215
7.4.4　建模逐项试验、错误、随机和反向反馈217
7.4.5　建模块反馈219
7.4.6　训练不对称与诱导偏差220
7.5　多刺激识别中的学习222
7.6　总结224
7.7　未来方向225
参考文献226
第8章　对迁移性和特异性进行建模229
8.1　集成重加权理论229
8.2　对迁移性的日常类比230
8.3　分层表