想象你走进一家巨大的“视觉拼图工厂”。传送带尽头是进货口，一格格亮暗不一的“光点碎片”从原材料车间（视网膜）出发，经粗筛间（外侧膝状体）送进总装车间——初级视觉皮层V1。第一道工序上站着成排的“方向质检员”：每个质检员只认一种方向的积木条，而且只盯着自己工位前那一小块区域；这块“工位”的宽窄，就是它的感受野。第二道工序是“拼图组装员”：他们不必趴在工位前辨认方向，只需听同方向的质检员们传来的“嘀”声，就能判定“这是一条竖着的边”——哪怕积木条被挪开了几个身位，他们照样认得。整个车间的工位还排成整齐的“方向扇区”，左右两眼的原料通道交替并排；更残酷的是，这套流水线有磨合期：一段时间不用工位，就会被永久拆掉。 这套图景并非科幻——它是上世纪60年代David Hubel和Torsten Wiesel在猫的视觉皮层里用微电极一格格描出来的。后来的卷积神经网络，从卷积层到池化层，几乎就是这套工厂流水线的数学翻版。读懂V1简单/复杂细胞的感受野机制，你就同时握住了神经科学和视觉AI的两把钥匙。

岗位关联

理解V1感受野机制，是理解类脑计算与CNN架构的钥匙：它让你明白卷积层与池化层为何前后相继，也让你能从生物学证据出发设计更鲁棒的视觉模型——这是AI从业者建立“架构直觉”的必修课。

目录
  1. 可视化演示
  2. 从视网膜到V1：感受野的起源
  3. 简单细胞：固定工位的方向质检员
  4. 复杂细胞：不挑位置的拼图组装员
  5. 皮层功能结构：朝向柱、眼优势柱与超柱
  6. 关键期与突触可塑性：工厂的磨合期
  7. 类脑计算：视觉工厂的硅基翻版
  8. AI 应用场景
  9. Python 演示
  10. 常见误区
  11. 面试题

可视化演示

展示视觉通路从视网膜到V1的层次汇聚、简单细胞Gabor感受野的ON/OFF分区、以及复杂细胞的位置不变性响应特性。切换模式探索不同机制。

本节配有交互动效（进入视口后自动加载，约 3KB）。

视觉通路层次汇聚模型 视网膜RGC→外侧膝状体LGN→初级视觉皮层V1，信息逐层汇聚提取特征 Hubel-Wiesel模型：简单细胞汇聚LGN输入，复杂细胞汇聚简单细胞，实现层次抽象 V1_simple = Σ w_i · LGN_i → V1_complex = max(simple_j) 层次汇聚是视觉特征提取的基础架构

从视网膜到V1：感受野的起源

在视觉拼图工厂里，一切从进货口开始。原材料不是整块的画面，而是一堆亮暗不一的“光点碎片”。上世纪30年代，年轻科学家Hartline像工厂管理员一样，把一根微电极插进青蛙的视神经，想搞清楚单个“流水线工人”到底在干什么。

他把针尖大小的光点打到青蛙眼前的不同位置，记录单根视神经纤维的放电，发现一条奇妙规律：一根纤维只对屏幕上某个局部小圆斑里的光点起反应，光点一旦移出这个区域，纤维立刻沉默。这个“管得着的那一小块区域”，就是后来神经科学的核心概念——感受野。

十几年后，Kuffler在猫的视网膜神经节细胞上把感受野看得更细：它不是均匀的圆斑，而像同心圆靶子——有的细胞对光斑打中圆心兴奋、扫过外圈抑制（ON中心），有的正好相反（OFF中心）。这种“中心-周围”结构是视网膜提取边缘和对比度的基石。再往后，信号沿视神经→视交叉→外侧膝状体（LGN）传进V1皮层。LGN仍然保留着中心-周围的结构，仿佛原材料的粗筛机，而V1才是真正开始处理“边缘和朝向”的总装车间。

所以，V1的工人拿到的早已不是原始像素，而是被粗筛过的对比度线索。接下来我们走进总装车间，看看V1里最著名的两款工人——简单细胞和复杂细胞——如何协作。

R(x,y)=12πσc2exp⁡(−x2+y22σc2)−12πσs2exp⁡(−x2+y22σs2)R(x,y)=\dfrac{1}{2\pi\sigma_c^2}\exp\left(-\frac{x^2+y^2}{2\sigma_c^2}\right)-\dfrac{1}{2\pi\sigma_s^2}\exp\left(-\frac{x^2+y^2}{2\sigma_s^2}\right)
这个公式描述的是“中心亮、周围暗”的同心圆，也就是ON中心视网膜神经节细胞的感受野形状——两个高斯帽相减，形成中间隆起的火山口。
  1. 中心高斯核第一个指数项像一个帽子，中心权重最高，σc控制帽子的宽窄，负责感受野中央的兴奋区。
    12πσc2exp⁡(−x2+y22σc2)\dfrac{1}{2\pi\sigma_c^2}\exp\left(-\frac{x^2+y^2}{2\sigma_c^2}\right)
  2. 周边高斯核第二个帽子更矮更宽，σs大于σc，负责感受野外圈的抑制区。
    12πσs2exp⁡(−x2+y22σs2)\dfrac{1}{2\pi\sigma_s^2}\exp\left(-\frac{x^2+y^2}{2\sigma_s^2}\right)
  3. 中心减周边两个帽子叠加相减，得到“中央正、周围负”的靶形结构——光点落在中央会增强放电，落在四周则被抑制。
    R(x,y)=中心高斯−周边高斯R(x,y)=\text{中心高斯}-\text{周边高斯}

简单细胞：固定工位的方向质检员

走进总装车间，第一道工序就是“方向质检员”。每个质检员有一张固定工位（感受野），工位前摆着一排标准件：有的只认竖条，有的只认横条，有的只认斜45度。你递过来的积木条方向不对，他纹丝不动；方向对了，却偏离工位中心，他立刻摇头，放电骤降。

这正是Hubel和Wiesel在1959年记录到的景象。他们原本想用光点刺激猫的V1细胞，细胞却毫不理睬；一次偶然，一张画有黑点的玻璃片被抽出时，边缘扫过视野，细胞突然猛放。他们意识到：V1细胞根本不关心“点”，而是关心“条”和“边”，并且严格挑剔方向和位置。这类细胞后来被命名为简单细胞。

简单细胞的感受野里，兴奋区（ON子区域）和抑制区（OFF子区域）排成平行的长条：一条竖直光带正好盖住ON区时响应最强；光带横过来或挪开一个身位，响应就大幅衰减。这意味着细胞在做“逐点相乘再相加”的运算——把感受野内每个像素的亮度乘以固定权重，再求和。后来的研究者发现，这种权重恰好能用Gabor函数刻画：一个局部正弦光栅乘上一个高斯窗，几乎完美拟合简单细胞感受野的剖面。

所以，简单细胞无愧“方向质检员”的称号：它把方向与位置绑在同一张通行证上，只认“这个位置、这个方向”。

r=∬RFI(x,y) W(x,y) dx dyr=\iint_{\mathrm{RF}} I(x,y)\,W(x,y)\,dx\,dy
简单细胞的响应r等于输入图像I与固定权重图W（感受野的ON/OFF分布）的逐点乘积之和。这就是“线性空间总和”：像工厂质检员逐件核对标准件一样，位置和方向都对了，才给你高分。
  1. 输入图像I(x,y)视网膜送来的亮度图，表示每个像素的明暗。
    I(x,y)I(x,y)
  2. 权重图W(x,y)简单细胞感受野内的权重分布，ON区取正、OFF区取负。
    W(x,y)W(x,y)
  3. 逐点相乘并求和遍历整个感受野，把每个像素亮度乘上对应权重后累加，结果越大放电越强。
    r=∑(x,y)∈RFI(x,y)⋅W(x,y)r=\displaystyle\sum_{(x,y)\in \mathrm{RF}} I(x,y)\cdot W(x,y)

复杂细胞：不挑位置的拼图组装员

质检员身后站着拼图组装员。组装员从不趴在工位前看原件，而是竖起耳朵听一排质检员的“嘀”声：只要方向信息里出现“竖条”的声波，无论原件被推到组装台的左上角还是右下角，他都会举牌“竖条到位”。

这正是复杂细胞的作风。Hubel和Wiesel记录到，有些V1神经元同样对“竖条/横条”情有独钟，但把条在它偌大的感受野里随便挪动，放电几乎不变。它们的感受野里看不出鲜明的ON/OFF分区，不能再用线性权重图解释——这是典型的非线性行为。

Hubel和Wiesel因此提出著名的层级构建假说：一个复杂细胞收集多个同方向、不同位置的简单细胞输出，只要有其中一个“报警”它就响应。简单说，复杂细胞是对一组简单细胞做“取最大值”（MAX）。沿这条链再往上，还有超复杂细胞：它既对方向敏感，又对刺激长度挑剔——条太长会触发末端抑制，因为两端各接了一组负向输入，像是组装员还要求“原料不能太长，太长会顶到挡板”。

组装员把零散的方向证据拼成“局部图案”，让整个流水线对物体位置不再斤斤计较——这为后面所有更高级的视觉功能打下了地基。

rcomplex=max⁡i=1N rsimple,i(θ)r_{\mathrm{complex}}=\max_{i=1}^{N}\, r_{\mathrm{simple},i}(\theta)
复杂细胞等于同一方向、位置各异的简单细胞的最大响应：只要方向对，位置可以由任何质检员负责。这就是“平移不变性”的神经基础。
  1. 简单细胞响应r_simple_i(θ)代表第i个简单细胞的响应，它们都偏好同一个方向θ，但工位位置不同。
    rsimple,i(θ)r_{\mathrm{simple},i}(\theta)
  2. 取最大值max操作相当于组装员听所有质检员的“嘀”声，谁最大就听谁的。
    max⁡i=1N(⋅)\max_{i=1}^{N}(\cdot)
  3. 平移不变的实现横条从位置A移到位置B，负责A的质检员沉默，负责B的质检员接棒，最大值不变。
    rcomplex(x)≈rcomplex(x+Δx)r_{\mathrm{complex}}(x) \approx r_{\mathrm{complex}}(x+\Delta x)

皮层功能结构：朝向柱、眼优势柱与超柱

工厂并不是随意摆工位。从车间上空俯视，会发现工位排成整齐的“扇组”：同一个工位组里，质检员按竖、斜、横、斜的顺序绕圈排列，把180度方向占满；组装台下还有两条原料滑道——左眼道和右眼道，两条道并排铺开，像斑马条纹。

Hubel和Wiesel用微电极沿着V1皮层做记录，发现这个结构高度有序。当电极贴着皮层斜向推进，遇到细胞的最优方向会一点一点旋转：大约每50微米转10度，约1毫米内转过完整的180度。与此同时，用放射性氨基酸注入一只眼睛再让皮层显影，能看到左右眼输入在V1里呈黑白相间的交替条带——这就是眼优势柱。

把朝向柱和眼优势柱叠在一起看：每个视网膜位置对应一块约1~2平方毫米的皮层“魔方”，内含全部朝向和左右眼两套输入，这个魔方就是超柱。一个超柱是“一个位置的完整加工组”。它揭示的编码原则是分布式编码：单一神经元只负责很小的片段，完整信息由一群细胞协同表达——就像一张拼图由成千上万块碎片拼成，而不是某一块碎片上画着整幅画。

这种“按位置组织、按方向铺开”的厂房布局，让整条流水线紧凑而高效，也为后面的“磨合期”发现埋下了伏笔。

θ(x)=θ0+180∘L⋅x,L≈1 mm\theta(x)=\theta_0+\frac{180^\circ}{L}\cdot x,\quad L\approx 1\,\text{mm}
沿V1皮层表面走1毫米，神经元最优方向刚好旋转半圈，覆盖全部朝向。
  1. 起始方向θ0起始参考方向，可以是任意常数。
    θ0\theta_0
  2. 变化速率180度除以L，即每毫米转180度的方向变化率。
    180∘L\frac{180^\circ}{L}
  3. 位置累加随着皮层表面距离x增加，方向偏好线性旋转。
    θ(x)=θ0+180∘L⋅x\theta(x)=\theta_0+\frac{180^\circ}{L}\cdot x

关键期与突触可塑性：工厂的磨合期

每个工厂都有一个残酷的磨合期。如果某条工位长时间不来料，车间主任就会把工位移交给隔壁流水线；等磨合期一过，这条工位就再也调不回来了。

这正是Wiesel和Hubel在单眼遮盖实验里看到的一切。他们把幼猫的一只眼缝合几天到几周，再打开检查V1：被遮眼驱动的皮层区域几乎消失，好眼对应的区域大幅扩张。换成成年猫，即使缝合几个月，皮层也纹丝不动。视觉系统存在一条“关键期”：猫约在出生后第4周到第3个月，人类则在幼年到少年阶段。这个窗口期里，来自两眼的输入在V1皮层激烈竞争地盘：活跃的输入不断扩张，受冷落的输入节节败退。

更进一步的研究发现，这种竞争发生在突触层面：活跃输入对应的突触被长时程增强（LTP），冷落输入被长时程抑制（LTD）。经典Hebb规则概括了这种机制——如果前神经元和后神经元总是步调一致地放电，它们之间的突触就被加强。

正是这个“用进废退”的磨合期，让视觉工厂在幼年根据环境调整工位分配。它提醒我们：可塑性不是无限期的福利，而是一张有时限的施工许可证。

Δwij=η rpre,i rpost,j\Delta w_{ij}=\eta\, r_{\mathrm{pre},i}\, r_{\mathrm{post},j}
Hebb规则：前后神经元“一起火”的次数越多，突触权重涨得越大。单眼遮盖时，被遮眼的前神经元不活跃，其权重逐渐萎缩，于是被剥权。
  1. 权重变化量Δw_ij表示第i个突触前神经元到第j个突触后神经元之间连接强度的变化。
    Δwij\Delta w_{ij}
  2. 学习率η相当于“磨合期灵敏度旋钮”，关键期后旋钮钝化，权重几乎不再更新。
    η\eta
  3. 前后放电乘积前神经元放电率乘以后神经元放电率，两者同时高则权重增幅大——“步调一致，合作加深”。
    rpre,i⋅rpost,jr_{\mathrm{pre},i}\cdot r_{\mathrm{post},j}

类脑计算：视觉工厂的硅基翻版

今天，这座视觉拼图工厂已经被硅片重新开张了几万次。工程师们发现，把“方向质检员+拼图组装员”的分工写成代码，计算机也能看清图片——这就是卷积神经网络。

Hubel-Wiesel的层级构建模型几乎就是CNN的图纸：卷积层用可学习的卷积核（类似简单细胞的权重图）在整张图上滑动，检测局部特征；池化层在一个小窗口中取最大值或平均值（类似复杂细胞的MAX聚合），把特征的精确位置抹掉。卷积+池化交替堆叠，网络越深提取的特征越抽象——等于把“V1→V2→更高级皮层”的级联搬进了GPU。

这条路线从福岛邦彦的神经认知机开始，到LeCun的LeNet走向实用。今天的视觉大模型，前几层学习出的滤波器与V1的Gabor感受野惊人相似。反过来，神经科学家也在用CNN预测V1神经元响应——两者的互相印证已成为类脑计算最活跃的方向之一。事件相机（DVS）同样受ON/OFF通路启发：只在亮度变化时输出脉冲，功耗极低，适合自动驾驶和机器人场景。

四十多年前从猫的皮层里描下来的那张图纸，如今在视觉AI中开花结果。每一张成功识别出“猫”的神经网络，身体里都住着一个几十年前的视觉拼图工厂。

zi,j=max⁡p,q∈窗口∣hi+p,j+q∣z_{i,j}=\max_{p,q\in \text{窗口}} \left|h_{i+p,j+q}\right|
池化层对卷积响应图h在局部窗口取绝对值最大值，与复杂细胞对平移不敏感如出一辙。
  1. 特征图h卷积层输出的响应图，相当于一群简单细胞的响应。
    hi+p,j+qh_{i+p,j+q}
  2. 局部窗口一个2×2或3×3的小邻域，相当于复杂细胞汇总的几个工位。
    (i+p,j+q)(i+p,j+q)
  3. 绝对值最大值取窗口内最强烈的响应，抹掉了特征出现在窗口内哪个具体位置的信息。
    max⁡p,q∣⋅∣\max_{p,q}\left|\cdot\right|

AI 应用场景

医学影像中的Gabor先验特征提取

阶段：数据预处理与特征提取

解决的问题：训练CNN做病理切片或眼底图像分割时，底层往往要重新学习大量边缘、纹理滤波器，数据少时容易过拟合。借鉴V1简单细胞的Gabor感受野，把第一层卷积核初始化为多方向Gabor滤波器，可显著降低训练成本，并让模型初期的特征更具可解释性。

具体案例：在一项眼底OCT图像分层任务中，团队将第一层卷积初始化为8个方向的Gabor核，后续层正常训练。相比随机初始化，模型在少量标注数据下分割精度提升了约5%，且第一层可视化结果清晰呈现“方向质检员”式的边缘响应，方便医生理解模型看到了什么。

事件相机与神经形态视觉前端

阶段：数据采集与传感器端处理

解决的问题：传统RGB相机以固定帧率输出整幅图像，在高速运动、剧烈光照变化下要么模糊要么带宽爆炸。视网膜的ON/OFF中心-周围通路给了工程师灵感：只在亮度变化的位置输出稀疏脉冲，天然具备高时间分辨率与低功耗。

具体案例：某自动驾驶团队将DVS事件相机接入感知系统，利用ON/OFF事件流重建运动物体边界，在60 lux低照度与1200 lux强光交替的动态场景中，依然能以千赫兹级时间分辨率追踪快速切入的车辆。相当于给AI装了一套“只报变化、不报冗余”的视觉粗筛前端。

用CNN预测V1神经响应

阶段：模型评估与生物学验证

解决的问题：计算神经科学家需要量化“某个模型在多大程度上解释了V1神经元放电”。传统方法用Gabor能量+MAX池化拟合简单/复杂细胞，现在则用深度CNN提取特征并预测钙成像记录，在Brain-Score等基准上比较模型与猕猴V1数据的匹配度。

具体案例：研究者以VGG-16和ResNet-50的前几层特征为预测变量，稀疏线性回归拟合猕猴V1神经元对自然图像的响应，发现模型中层特征与复杂细胞的预测方差解释率已接近60%，远高于随机特征，说明CNN层级确实复现了V1的加工路径。

Python 演示

python34 行
import numpy as np def gabor(theta=0.0, size=25, freq=0.15, sigma=6.0):    """Generate a Gabor filter as a simple-cell receptive field model."""    y, x = np.mgrid[-size//2:size//2+1, -size//2:size//2+1]    xr = x * np.cos(theta) + y * np.sin(theta)    yr = -x * np.sin(theta) + y * np.cos(theta)    return np.exp(-(xr*xr + yr*yr) / (2*sigma*sigma)) * np.cos(2*np.pi*freq*xr) def simple_cell(img, filt, cx, cy):    """Linear summation over a fixed receptive field."""    fh, fw = filt.shape    x0, y0 = cx - fw//2, cy - fh//2    patch = img[y0:y0+fh, x0:x0+fw]    if patch.shape != filt.shape:        return 0.0    return float((patch * filt).sum()) def complex_cell(img, filt, cells):    """MAX over several same-direction simple cells."""    return max(simple_cell(img, filt, x, y) for x, y in cells) def run():    filt = gabor(0.0)   # vertical orientation: prefers vertical bars    cells = [(8, 16), (16, 16), (24, 16), (32, 16)]    for shift in (0, 12, 24):        img = np.zeros((40, 40))        img[:, 10+shift:22+shift] = 1.0   # vertical bright bar        s = simple_cell(img, filt, 16, 16)        c = complex_cell(img, filt, cells)        print("shift=%2d  simple=%.3f  complex=%.3f" % (shift, s, c)) if __name__ == "__main__":    run()
目的：用Gabor滤波器模拟简单细胞，用MAX池化模拟复杂细胞，对比同一个竖直亮条平移后两者的响应差异，直观演示“简单细胞位置敏感、复杂细胞平移不变”。
  1. filt = gabor(0.0)生成默认竖直方向的Gabor滤波器，作为简单细胞的权重图
  2. cells = [(8, 16), (16, 16), (24, 16), (32, 16)]四个同方向、不同位置的简单细胞
  3. img[:, 10+shift:22+shift] = 1.0在图像上画一条竖直亮条，模拟积木原料
  4. s = simple_cell(img, filt, 16, 16)固定中心位置的简单细胞对当前刺激的响应
  5. c = complex_cell(img, filt, cells)复杂细胞对同一刺激的响应
  6. return max(simple_cell(img, filt, x, y) for x, y in cells)复杂细胞的MAX整合，是平移不变性的来源

常见误区

误区“我以为感受野就是眼睛看到的整幅画面，就像手机取景框。所以V1的每个细胞应该都认识整张图片。”

正解感受野是“单个神经元能管的局部区域”，对应视网膜上很小一块。V1的每个细胞只对画面里的一个碎片负责，像工厂里每个质检员只盯自己工位前那一小块。整张图是几亿个细胞合作拼出来的，而不是某个细胞“看全图”。

为何常见：“感受野”字面上容易和“视野”混淆，科普图又常画一只眼睛带一个大扇形，让人误以为每个神经元都在处理整幅画面。

误区“我以为简单细胞管左边、复杂细胞管右边，它们是并列的两种细胞，各自独立工作。”

正解Hubel-Wiesel模型的关键是层级级联：复杂细胞接收同方向多个简单细胞的汇聚。简单细胞是原料端的线性检测器，复杂细胞是它们上层的整合者，就像质检员和组装员在同一流水线上先后配合，不是平行的岗位。

为何常见：教科书常把二者并列介绍，且都做“方向检测”，读者容易理解成平级分工，忽略了神经解剖上的层级投射关系。

误区“既然卷积层=简单细胞、池化层=复杂细胞，那CNN已经完整复刻了V1，人类视觉的秘密被破解了。”

正解CNN只是做了结构上的启发式对齐：卷积层做局部线性模板匹配，池化层做平移池化。真实V1还有反馈连接、增益控制、对比度归一化、时序动态等复杂机制，CNN目前只捕捉了其中一小部分，二者是“灵感来源”而非“完全等价”。

为何常见：教学示意图常把两者的对应画成1:1映射，读者看完容易把“灵感来源”当成“神经拷贝”。

误区“关键期结束视觉就完全定型，成年人练立体视觉、学精细视觉技能都没希望了。”

正解关键期主要影响某些底层回路（眼优势柱、朝向选择性），而成人在高层级、任务驱动的可塑性依然存在，比如知觉学习、注意调制、多感官整合。工厂的底层工位确实不可重排，但产线调度和管理层依然可以持续优化。

为何常见：单眼遮盖实验的结论太戏剧化，容易让人忘记它说的是特定回路的关键期，而不是整个大脑都停止变化。

面试题

Q1. 关于“感受野”的定义，下列说法正确的是哪一项？

单选题 · easy

  • A.两只眼睛看到的完整视野
  • B.能改变神经元放电的视网膜局部← 正确答案
  • C.V1 皮层负责视觉的整片区域
  • D.视网膜中央凹所在的固定位置

答案：B。感受野指“能改变该神经元放电的视网膜局部区域”，故选B。A说的是视野，C把皮层区域与刺激区域混为一谈，D把感受野错误等同于中央凹位置。形象地说，工厂里质检员只负责工位前那一小块，不是整个车间。

Q2. Kuffler在视网膜神经节细胞上发现的关键结构是什么？

单选题 · easy

  • A.方向柱和眼优势柱的排列
  • B.严格的边缘朝向选择性
  • C.中心-周围的同心圆拮抗← 正确答案
  • D.对整幅画面的恒常编码

答案：C。Kuffler发现神经节细胞感受野分为中央与周边，中心-周围互相拮抗（ON中心/OFF周边），故选C。A属于V1皮层组织，B属于V1简单细胞的特征，D是错误认知。好比原材料粗筛时用“内亮外暗”的圆筒分选。

Q3. 简单细胞与复杂细胞最本质的区别是什么？

单选题 · mid

  • A.复杂细胞只对运动方向敏感
  • B.简单细胞感受野比复杂细胞大
  • C.简单细胞做线性总和且位置严格← 正确答案
  • D.复杂细胞无法处理竖直边缘

答案：C。简单细胞有明确ON/OFF子区域，权重线性叠加输入且位置严格；复杂细胞对位置宽容、是非线性整合，故选C。A是错误前提；B说反了（复杂细胞感受野通常更大）；D不正确，复杂细胞同样保留方向选择性。

Q4. 下列属于复杂细胞特征的有哪些？

多选题 · mid

  • A.对边缘方向仍有选择性← 正确答案
  • B.在感受野内容忍位置平移← 正确答案
  • C.依靠线性空间总和精确编码
  • D.可对同方向简单细胞取最大值← 正确答案

答案：ABD。复杂细胞继承了方向选择（A），把空间位置“松弛化”（B），常用MAX或求和整合多个同朝向简单细胞（D）。C是简单细胞的线性总和特性，不是复杂细胞的特征——组装员不做逐点核验，只听报警。

Q5. 复杂细胞的“平移不变性”主要来自哪里？

单选题 · easy

  • A.对多个同方向简单细胞的整合← 正确答案
  • B.感受野内权重全部取负值
  • C.视网膜对图像的镜像复制
  • D.来自大脑奖赏信号的调制

答案：A。多个简单细胞负责不同位置，复杂细胞取它们的最大（或求和）响应，位置移动时总有相邻质检员接棒，故选A。B会破坏方向信息；C与空间编码无关；D属于认知调制，不是平移不变性的来源。

Q6. 关于V1朝向柱组织的说法，正确的有哪些？

多选题 · mid

  • A.垂直穿过皮层时方向偏好基本不变← 正确答案
  • B.横向推进时最优方向逐渐旋转← 正确答案
  • C.约1mm皮层覆盖完整180度朝向← 正确答案
  • D.朝向柱与眼优势柱完全重叠

答案：ABC。朝向柱内部共享方向偏好，垂直穿层的细胞方向基本一致（A）；沿皮层表面推进则依次穿越不同柱，方向平滑旋转（B），约1mm转完180度（C）。D错：朝向柱和眼优势柱是两套叠加地图，只是部分相关，不是完全重叠。

Q7. 单眼遮盖实验最重要的结论是？

单选题 · mid

  • A.被遮眼会立即萎缩并完全失明
  • B.关键期内被遮眼驱动的皮层区显著缩小← 正确答案
  • C.成年猫被遮眼后皮层完全重塑
  • D.遮盖只影响视网膜而不影响皮层

答案：B。关键期内缝合一眼，该眼在V1的支配区域明显收缩，好眼扩张（B）；成年猫几乎不受影响（C错）；“立即”失明不准确（A错）；可塑性主要发生在皮层突触而非视网膜（D错）。

Q8. 超复杂细胞区别于复杂细胞的关键在于？

单选题 · hard

  • A.对刺激长度存在抑制（端抑制）← 正确答案
  • B.只对纯色块作出反应
  • C.感受野完全不受光条影响
  • D.总是同时响应左右眼

答案：A。超复杂细胞在方向选择基础上还要求刺激长度适中，条太长会触发端区抑制，故选A。B涉及颜色编码，不在经典模型内；C无意义；D是双眼性质，不是超复杂细胞的关键特征。

Q9. CNN与V1层级机制的对应关系，正确的有？

多选题 · hard

  • A.卷积层类似简单细胞做局部特征检测← 正确答案
  • B.池化层类似复杂细胞提供平移容忍← 正确答案
  • C.反向传播等价于感受野的线性总和
  • D.层数加深类似V1到V2的级联抽象← 正确答案

答案：ABD。卷积+池化交替复刻了简单→复杂的层级组合（A、B），深层网络对应更高级视觉区（D）。C错：反向传播是训练算法，与感受野的线性空间总和不是一回事。

Q10. 关于超柱(hypercolumn)的正确说法是？

单选题 · extreme

  • A.一个超柱只处理一种方向偏好
  • B.包含全部朝向与双眼输入对应一个位置← 正确答案
  • C.超柱存在于视网膜神经节层
  • D.超柱和超柱之间没有任何重叠

答案：B。超柱是V1的完整功能单元：对某个视网膜位置，将全部朝向加左右眼输入集齐，宏观上约1~2平方毫米，故选B。A只描述单个朝向柱；C位置错误，超柱在皮层；D过于绝对，超柱边界是渐变的。