انسان به سرعت و به طور موثر می تواند اشیا متفاوت را در صحنه های طبیعی و پیچیده شناسایی کند. این توانایی برجسته الهام بخش بسیاری از مدل های محاسباتی شناسایی اشیا بوده است. بسیاری از این مدل ها سعی به تقلید رفتار این دستگاه تحسین برانگیز دارند. دستگاه بینایی انسان اشیا را در یک سلسله مراتب از چندین مرحله پردازش شناسایی می کند. در طول این مراحل مجموعه ای از ویژگی ها با پیچیدگی فزاینده ای توسط بخش های مختلف دستگاه بینایی استخراج می گردد. ویژگی های ساده تر و ابتدایی مانند میله ها و لبه ها در سطوح اولیه مسیر بینایی پردازش شده و همچنان که در این مسیر بالا می رویم ویژگی های پیچیده تر مورد توجه و پردازش قرار می گیرند. این که چه ویژگی هایی از شی انتخاب می گردند و مورد پردازش قرار می گیرند همیشه مسئله ی مهمی در پردازش اشیا توسط قشر بینایی بوده است. برای پرداختن به این مساله، ما یک مدل سلسله مراتبی، که با یافته های بیولوژیکی سازگار است را گسترش داده و سپس آنرا در آزمایش های متفاوت شناسایی اشیا مورد ارزیابی قرار دادیم. در این مدل، مجموعه ای از بخش های شی، که با نام تکه های تصویر شناخته می شوند، در مراحل میانی استخراج می گردند. این تکه های تصویر برای آموزش در این مدل استفاده می شود و نقش مهمی در شناسایی شی ایفا می کنند. این تکه های تصویر بدون هدف و کورکورانه از مواضع مختلف از یک تصویر انتخاب شده که این موضوع می تواند منجر به استخراج تکه های غیر تبعیض آمیز گردد که در نهایت ممکن است عملکرد مدل را کاهش دهد. در روش پیشنهادی، از الگوریتم تکاملی برای انتخاب مجموعه ای از تکه های تصویر با اطلاعات مفید برای شناسایی اشیا گوناگون استفاده گردید. نتایج نشان می دهد که این تکه ها حاوی اطلاعات بیشتر و مفیدتری نسبت به تکه های معمول که به روش کورکورانه و تصادفی انتخاب می شوند هستند. همچنین نشان داده خواهد شد که قدرت مدل ارایه شده بر روی طیف وسیعی از تصاویر از پایگاه داده های مختلف قابل توجه بوده است. نتایج آزمایش ها نشان می دهد که ویژگی های انتخاب شده به طور کلی بخش های خاصی از تصاویر هدف هستند. این ویژگی های انتخاب شده که بخش هایی از اشیا هدف را ارایه می دهند مجموعه-ای کارآمد برای تشخیص اشیا می باشند. کلمات کلیدی: مدل بازشناسی اشیا، قشر بینایی، مدل سلسله مراتبی، الگوریتم های تکاملی، انتخاب ویژگی.

در این پایان نامه مدل محاسباتی مطابق با اتصالات و الگوی اثر گذاری ورودی های مختلف برای هسته زانویی جانبی تالاموس، lgn، ارائه می شود که ویژگی پاسخ نرون های آن مشابه یافته های ثبت شده از نرون های lgn است. به علاوه مدل ارائه شده برخی کارکرد های lgn که در ادبیات موضوع آن هنوز مورد ابهام است را روشن می سازد. ابتدا پس از تشریح نواحی مختلف مغز، به بررسی برخی مدل های محاسباتی بینایی که توسط سره و همکارانش و همچنین رولز و استرینگر ارائه شده، پرداخته می شود. نقطه مشترک این مدل ها صرف نظر کردن از لایه ی lgn است. فقدان مدل محاسباتی برای lgn باعث شده این واحد در اکثر مدل های محاسباتی به همراه سلول های گانگلیون در یک واحد محاسباتی معادل با فیلترهای dog در نظر گرفته شوند. جهت مرور مطالعات گذشته در زمینه lgn این مطالعات در چهار دسته مختلف بررسی می شوند: مطالعات کارکردی، مطالعات ساختاری، مطالعات مدل های محاسباتی و مطالعات تئوری مدل lgn پیشنهاد شده با شبیه سازی الگوی معکوس ورودی های v1 (که توسط ونگ و همکارانش پیشنهاد شد) بر حوزه ی دید ساده مرکز و حاشیه ای نرون های lgn در نظر گرفته شده است. خروجی مدل از نظر معیارهای کدینگ بهینه همانند: تابع خودهمبستگی، طیف توان، آنتروپی و تنکی تطابق خوبی با پاسخ های ثبت شده از نرون های lgn دارد. مقایسه تصویر ورودی و خروجی مدل نشان می دهد که این الگوی اثر گذاری ورودی ها، همراه با تاخیر زمانی که در مسیر lgn-v1-lgn به وجود می آید، منجر به حذف اطلاعات زمانی تکراری محرک ورودی می شود. به منظور بررسی تاثیر این کارکرد lgn یعنی حذف اطلاعات اضافی در بازه زمانی مشخص بر مسئله بازشناسی اشیا، مدل پیشنهاد شده به مدل بازشناسی اشیا استانداردی به عنوان نمونه اضافه شده و کارایی آن با نتایج به دست آمده از آزمایش روان فیزیک مقایسه می شود. مجموعه داده خاصی جمع آوری شده است که در مدل و آزمایش روان فیزیک به طور مشابه استفاده می شود. دنبال کردن الگوی کارایی انسان توسط مدل در آزمایشات مشابه موید کارکرد پیشنهاد شده برای این لایه از مسیر بینایی است.