Recurrent network dynamics reconciles visual motion segmentation and integration

Description

In sensory systems, different computational rules are postulated to be implemented by different neuronal subpopulations, each one being characterised by a particular tuning function. For instance, in primate cortical area MT, different classes of direction-selective cells have been identified and related to either motion integration, segmentation or transparency. Still, how such different tuning properties are constructed is unclear. The dominant theoretical viewpoint postulates that differential weighting of MT inputs along the linear-nonlinear feedforward cascade is sufficient to build these different cell classes but it does not account for their complex temporal dynamics and their versatility when facing different input statistics. Here, we demonstrate that a recurrent network model of visual motion processing can reconcile these different properties. We show how excitatory and inhibitory recurrent connections, within a direction representation space, shape neuronal motion direction tuning and implement different computational rules such as vector averaging, winner-take-all or superposition. The model also captures ordered temporal transitions between these behaviours. In particular, depending on the inhibition regime the ring network can switch from motion integration to motion segmentation, thus being able to compute either a single pattern motion or to superpose multiple inputs as in motion transparency. We thus demonstrate that recurrent architectures can adaptively give rise to different cortical computational regimes depending upon the input statistics, thus reconciling the two facets of sensory processing: integration and segmentation.

Abstract (French)

Dans les systèmes sensoriels, différentes règles computationnelles sont supposées être implémentées par différentes sous-populations neuronales, chacune étant caractérisée par une fonction de sélectivité. Par exemple, dans la zone corticale des primates MT, différentes classes de cellules sélectives à la direction ont été identifiées et liées à l'intégration du mouvement, à la segmentation ou à la transparence. Cependant, la façon dont ces fonction de sélectivité sont construites n'est pas claire. Le point de vue théorique dominant postule que la pondération différentielle des entrées de MT le long de la cascade montante linéaire non linéaire est suffisante pour construire ces différentes classes de cellules, mais ne tient pas compte de leur dynamique temporelle complexe et leur versatilité face à différentes statistiques d'entrée. Ici, nous démontrons qu'un modèle de réseau récurrent de traitement du mouvement visuel peut réconcilier ces différentes propriétés. Nous montrons comment les connexions récurrentes excitatrices et inhibitrices, au sein d'un espace de représentation de direction, forment la sélectivité neuronale à la direction du mouvement et implémentent des règles de calcul différentes telles que la moyenne des vecteurs, le "tout au vainqueur" (winner-take-all) ou la superposition. Le modèle capture également les transitions temporelles ordonnées entre ces comportements. En particulier, en fonction du régime d'inhibition, le réseau en anneau (ring model) peut passer d'une intégration de mouvement à une segmentation de mouvement, ce qui permet de calculer soit un seul mouvement de motif, soit de superposer des entrées multiples comme dans les mouvements transparents. Nous démontrons ainsi que les architectures récurrentes peuvent adapter de façon adaptative des régimes de calculs corticaux différents en fonction des statistiques d'entrée, afin de réconcilier les deux facettes du traitement sensoriel: l'intégration et la segmentation.

Additional details