视觉感知的模拟超大规模集成电路实现（影印版）内容提要

本书分析了视觉运动感知的计算问题、模拟网络的优化方法等，最有特色处在于从大规模集成电路实现的角度分析了视觉运动处理的原理和算法，可以借助大规模集成电路的高集成度、低成本等优势，进行模拟的并行视觉运动感知。

计算神经系统科学是一个正在兴起的研究领域，近年来已经成为许多国家政府资助的研究方向，吸引着许多青年研究人员。本书分析了视觉运动感知的计算问题、模拟网络的优化方法等，最有特色处在于从大规模集成电路实现的角度分析了视觉运动处理的原理和算法，可以借助大规模集成电路的高集成度、低成本等优势，进行模拟的并行视觉运动感知。

本书的专业性很强，所涉及的问题非常前沿，属于交叉学科，极具发展潜力，其权威性不言而喻。对于从事神经网络、人工智能、控制理论的等领域的研究者，本书有很大的参考价值。在我国，这方面的研究还处于起步阶段，本书提出的视觉运动集成电路实现方法无疑是一种崭新的思路。

Foreword

Preface

1Introduction

1.1ArtificialAutonomousSystems

1.2NeuralComputationandAnalogIntegratedCircuits

2VisualMotionPerception

2.1ImageBrightness

2.2CorrespondenceProblem

2.3OpticalFlow

2.4MatchingModels

2.5FlowModels

2.6OutlineforaVisualMotionPerceptionSystem

2.7ReviewofaVLSIImplementations

3OptimizationNetworks

3.1AssociativeMemoryandOptimization

3.2ConstraintSatisfactionProblems

3.3Winner-takes-allNetworks

3.4ResistiveNetwork

4VisualMotionPerceptionNetworks

4.1ModelforOpticalFlowEstimation

4.2NetworkArchitecture

4.3SimulationResultsforNaturalImageSequences

4.4PassiveNon-linearNetworkConducatances

4.5ExtendedRecurrentNetworkArchitectures

4.6Remarks

5AnalogVLSIImplementation

5.1ImplementationSubstrate

5.2Phototransduction

5.3ExtractionoftheSpatio-temporalBrightnessGradients

5.4SingleOpticalFlowUnit

5.5Layout

6SmoothOpticalFlowChip

6.1ResponseCharacteristics

6.2Intersection-of-constraintsSolution

6.3FlowFieldEstimation

6.4DeviceMismatch

6.5ProcessingSpeed

6.6Applications

7ExtendedNetworkImplementations

7.1MotionSegmentationChip

7.2MotionSelectionChip

8ComparisontoHumanMotionVision

8.1Humanvs.ChipPerception

8.2ComputationalArchitecture

8.3Remarks

AVariationalCalculus

BSimulationMethods

CTransistorsandBasicCircuits

DProcessParametersandChipsSpecifications

References

Index2100433B

影印版大多为英文书籍或者是古籍。

第一种解释：

影印版就是对原版原封不动的 copy ，版权还是为原书的版权 。由于在本地印刷，可以省一堆费用，所以价格比买原书要便宜得多（有时只是货币单位不同）。

第二种解释：

得到此书的影印授权后，将整本书完全按照原出版社的原书影印过来，再以原出版社的名义出版,就得注明是“影印版”。

无人驾驶车辆的环境感知能力，特别是视觉感知能力是决定其性能优越的关键性因素。本项目针对无人驾驶车辆视觉环境感知系统这一具体应用，研究新颖的多层视觉特征学习与表示方法。主要研究内容包括：(1) 深入分析多层次视觉特征学习与表示理论和其蕴含的神经计算本质；(2) 研究满足慢速性约束的多层次序贯数据的特征学习方法，建立小角度旋转与视角变化下的不变性目标描述特征，提高动态环境下的特定目标识别能力；(3) 研究利用多源图像信息建立多光谱的层次化特征学习方法，并应用于环境感知中的语义场景识别任务；(4) 研究时空数据驱动下的多层次特征学习方法，并应用于环境感知中的运动行为识别任务：交警动作识别和异常行为识别。该项目在进行理论创新的同时将完成能够实现相应任务的环境感知系统，所以说项目研究有较强的理论意义和应用价值，并且对于推动我国无人驾驶车辆技术的发展有着重要的意义。