背景:选择性注意中的一个重要问题是确定主要视觉皮层对自下而上显着性编码的贡献方式以及对这一过程建模有效的神经计算类型。 为了解决这个问题,我们构建了一个两层的网络,该网络可以满足主要视觉皮层的神经生物学约束,从而可以检测到显着的物体。 我们对合成图像和自然图像进行了实验,以探索网络结构,每层大小,抑制类型和组合策略等因素对显着性检测性能的影响。 结果:实验结果统计表明,过滤器的类型和规模极大地促进了自下而上的显着性编码。 这两个因素对应于初级视觉皮层中不变编码和过完整表示的机制。 结论: (1)我们没有像传统的注意力模型那样构造用于特征提取的Gabor函数或高斯金字塔过滤器,而是从自然图像中学习了过度完备的基集,以提取特征以进行显着性检测。 实验表明,给定适当的层大小和鲁棒的组合策略,在视觉显着性检测中,所学习的过度完成基础集要优于完整集和Gabor金字塔。 该发现可能会应用于与任务相关的和受监督的对象检测中。 (2)为自下而上注意的前注意阶段设计了可以表示不变特征的分层编码模型。 该编码模型提高了对噪声和干扰的鲁棒性,并提高了检测突出结构(例如共线和共圆结构)以及几种复合刺激的能力。