[論文レビュー] A neuromorphic model of the insect visual system for natural image processing

Adam Hines, Karin Nordström+1 more|arXiv (Cornell University)|Feb 6, 2026

Neurobiology and Insect Physiology Research被引用数 0

ひとこと要約

研究は dense 画像を sparse Kenyon cell code に変換する生体模倣のビジョンモデル（ANN と SNN）を提案し、自己教師付き対比学習によって花認識と VPR タスク間での一般化を示す。

ABSTRACT

Insect vision supports complex behaviors including associative learning, navigation, and object detection, and has long motivated computational models for understanding biological visual processing. However, many contemporary models prioritize task performance while neglecting biologically grounded processing pathways. Here, we introduce a bio-inspired vision model that captures principles of the insect visual system to transform dense visual input into sparse, discriminative codes. The model is trained using a fully self-supervised contrastive objective, enabling representation learning without labeled data and supporting reuse across tasks without reliance on domain-specific classifiers. We evaluated the resulting representations on flower recognition tasks and natural image benchmarks. The model consistently produced reliable sparse codes that distinguish visually similar inputs. To support different modelling and deployment uses, we have implemented the model as both an artificial neural network and a spiking neural network. In a simulated localization setting, our approach outperformed a simple image downsampling comparison baseline, highlighting the functional benefit of incorporating neuromorphic visual processing pathways. Collectively, these results advance insect computational modelling by providing a generalizable bio-inspired vision model capable of sparse computation across diverse tasks.

研究の動機と目的

• 昆虫視覚処理原理を用いて sparse で識別性の高い表現を生成する動機付け。
• ANN と SNN の両方の変種として実装された一般化可能なビジョンモジュールを開発。
• ドメイン特有の分類子を必要とせずタスク再利用を可能にする自己教師付き対比学習で訓練。
• 花認識と自然画像ベンチマークでsparsityと識別性を評価。

提案手法

• Activation–Normalization ブロックを備えた CNNとして昆虫視覚経路をモデル化し、局所ホメオスタシスとグローバルホメオスタシスを模倣する二つの正規化戦略を採用。
• projection neuron の出力からマスキングと適応的な k-Winner-Take-All を含むスパース性メカニズムを介して 1,024 次元の Kenyon cell (KC) コードを生成。
• SimCLR に類似した設定で NT-Xent 対比損失を用い、KC 表現の同意を最大化する二つのデータ拡張で視覚モジュールを訓練。
• Leaky ReLU を Leaky Integrate-and-Fire ニューロンに置換し、時間的スパイキング入力を用いたスパイキングニューロンネットワーク（visionSNN）変種を実装。
• 網膜、ラミナ、ミデルラ、ロブラーに相当するステージを経て VPNs（asot, aiot, lot）を生成し KC 層へ供給。
• LocalResponseNorm を局所抑制、GroupNorm をグローバル特徴正規化として2段階正規化を適用し、多様性と対比を確保。

実験結果

リサーチクエスチョン

• RQ1 無ラベルの自然画像から有用な sparse 表現を学習できる bio-inspired な昆虫視覚ベースのモジュールは作れるか。
• RQ2 昆虫インスパイア視覚モデルの人工実装とスパイキング実装は、下流タスクに適した識別性の高い sparse コードを生み出すか。
• RQ3 時間的蓄積とスパース表現は花認識と視覚的場所認識の性能にどう影響するか。
• RQ4 KC 表現は自然画像データセット上で線形分類器を支えるほど識別的か。
• RQ5 ANN と SNN の変種は、 sparsity、選択性、タスク性能の点でどう比較されるか。

主な発見

• モデルは約1,024次元の稀な KC 表現を生成し、入力あたりおよそ50個のアクティブニューロンを示す。
• Experiment 2 on 17CFD では、ビジョンは3回の訓練エポック内で40%〜75%の分類精度を達成し、最高値は76.6%。
• スパイキングビジョン（visionSNN）は稀な KC コードと強いクラス内類似性を示すが、線形分類性能は ANN 版ほど高くなく、最高でも約40%。
• スパイキング KC 出力は、17CFD で訓練された際に平均353から33へ大きくノード数が減少し、KC ニューロン選択性は14%から76%へ向上。
• KC Top-K 選択性とクラス間の重なりの減少が観察され、自然画像のばらつきにも関わらず堅牢なスパース表現を示唆。
• Visual Place Recognition タスクでは、コサイン類似度ベースのマッチングがグラウンドトゥルースと整合し、Recall@K は最大 K=25 まで評価された。