本书全面综合地介绍了知觉学习的现象、理论和应用，重点关注视觉领域。本书首先对知觉学习的原理进行阐述，然后探讨知觉学习的基本现象（学习和迁移）和机制（噪声特性、生理学证据）。同时，介绍知觉学习的计算模型，强调反馈对知觉学习的重要性，并讨论任务、注意力和奖励在知觉学习中的作用，对比视觉知觉学习和其他感官领域学习，讨论知觉学习的现有应用，并提出优化框架。
本书适合知觉学习领域的学生、研究人员及相关从业者阅读参考。

目　　录
Perceptual Learning: How Experience Shapes Visual Perception
译者序
前言
第一部分　概述
第1章　知觉学习的原理
1.1　经验和学习在知觉中的重要性
1.2　实验室中的知觉学习
1.3　可塑性与稳定性
1.4　提高人类表现中的信噪比
1.5　重加权与表征变化
1.6　生成模型和优化知觉学习的重要性
1.7　总结与概述
参考文献
第二部分　现象学
第2章　视觉任务中的知觉学习
2.1　知觉专长和知觉可塑性
2.2　视觉知觉学习
2.3　通过表征选择学习还是通过创造学习
2.4　知觉学习研究的一种典型结构
2.5　训练特征与任务类型
2.6　单一特征的知觉学习
2.6.1　方向
2.6.2　空间频率
2.6.3　相位
2.6.4　对比度
2.6.5　颜色
2.6.6　敏锐度
2.6.7　超锐度
2.6.8　总结
2.7　知觉学习模式
2.7.1　复合刺激
2.7.2　纹理、全局模式和搜索
2.7.3　深度
2.7.4　运动
2.7.5　总结
2.8　对象知觉学习和自然刺激
2.8.1　轮廓、形状和对象
2.8.2　面部和实体
2.8.3　生物运动
2.8.4　总结
2.9　结论
参考文献
第3章　特异性与迁移性
3.1　在知觉学习中的特异性和迁移性
3.2　评估特异性和迁移性的范式
3.3　任务结构分析
3.4　行为证据
3.4.1　视网膜位置特异性
3.4.2　眼部特异性
3.4.3　特征和对象特异性
3.4.4　一阶和二阶特异性
3.4.5　判断特异性
3.4.6　环境特异性
3.4.7　总结
3.5　影响特异性和迁移性的因素
3.5.1　任务难度和刺激精度
3.5.2　适应性与特异性
3.5.3　训练的程度和特异性
3.5.4　通过交叉训练激活迁移性
3.5.5　总结
3.6　测量尺度、适应性估计、解耦训练和迁移性评估—未来研究的方向
3.7　结论
3.8　附录A：实验范式、分析方法、特异性和迁移性指数
3.8.1　幂函数或指数学习以及特异性测量
3.8.2　无基线的迁移范式
3.8.3　有基线的迁移范式
3.8.4　训练迁移范式
3.8.5　交替训练范式
3.8.6　不平等试验混合范式
3.8.7　总结
3.9　附录B：度量精细度的影响
参考文献
第三部分　机制
第4章　知觉学习机制
4.1　知觉学习机制的信号和噪声分析
4.2　信号检测理论
4.3　观察者模型表现的系统分析
4.3.1　人类表现的观察者模型
4.3.2　知觉模板模型
4.3.3　使用外部噪声方法确定PTM
4.4　利用外部噪声研究知觉学习
4.4.1　PTM中知觉学习的机制和特征
4.4.2　一种典型的知觉学习的外部噪声研究
4.5　视觉任务中知觉学习的机制
4.5.1　利用外部噪声理解知觉学习
4.5.2　不同知觉学习机制的分离表达
4.5.3　PTM和外部噪声方法的应用
4.5.4　总结
4.6　结论
4.7　附录
4.7.1　指定PTM
4.7.2　指定模板
4.7.3　知觉学习机制的详细特性
4.7.4　PTM的细化
参考文献
第5章　生理基础
5.1　知觉学习的生物学基础
5.2　生理基础
5.2.1　大脑功能区
5.2.2　视觉系统
5.2.3　知觉决策、奖励和注意力的回路
5.2.4　讨论
5.3　用生物学来理解学习
5.4　来自单细胞记录的证据
5.4.1　特征的知觉学习
5.4.2　模式的知觉学习
5.4.3　物体和场景的知觉学习
5.4.4　单细胞实验中的知觉学习综述
5.5　来自脑成像的证据
5.5.1　特征的知觉学习
5.5.2　模式的知觉学习
5.5.3　物体的知觉学习
5.5.4　知觉学习的脑成像研究综述
5.6　讨论
5.6.1　重加权在哪里
5.6.2　与内部噪声和观察者模型的关系
5.6.3　详细计算研究
5.7　结论
参考文献
第四部分　模型
第6章　知觉学习模型
6.1　建模的目标
6.2　知觉学习的经典模型
6.3　重加权假设与AHRM模型
6.3.1　通过通道重加权进行知觉学习
6.3.2　AHRM的发展
6.4　AHRM的测试和应用
6.4.1　非稳定环境下的知觉学习
6.4.2　知觉学习的基本机制
6.4.3　高噪声和低噪声下学习的非对称迁移
6.4.4　预训练机制的影响
6.4.5　多任务的协同学习分析
6.5　学习的其他重加权模型
6.6　总结
6.7　未来方向
6.8　附录：AHRM实现细则
6.8.1　表征模块
6.8.2　特定于任务的决策模块
6.8.3　学习模块
6.8.4　自适应偏差或标准控制
参考文献
第7章　反馈
7.1　知觉学习中的反馈
7.2　经验研究文献
7.3　学习规则和反馈
7.4　反馈和AHRM
7.4.1　非平稳外部噪声环境下的反馈和学习
7.4.2　目标训练的准确性和逐项试验反馈
7.4.3　包括高准确性试验的混合
7.4.4　建模逐项试验、错误、随机和反向反馈
7.4.5　建模块反馈
7.4.6　训练不对称与诱导偏差
7.5　多刺激识别中的学习
7.6　总结
7.7　未来方向
参考文献
第8章　对迁移性和特异性进行建模
8.1　集成重加权理论
8.2　对迁移性的日常类比
8.3　分层表征和迁移
8.4　预分层模型
8.5　属于IRT的AHRM
8.6　具有位置不变表征的IRT
8.7　IRT的实验应用
8.7.1　位置和特征特异性
8.7.2　任务精度和迁移性
8.7.3　在不同位置的偏差训练的
特异性和迁移性
8.7.4　双重训练、范式特异性和位置迁移性
8.7.5　任务漫游和多个位置
8.8　其他模型
8.9　未来方向

译者序
Perceptual Learning: How Experience
Shapes Visual Perception
知觉学习，简言之，即感知分辨能力通过训练得到
提高的现象或过程，在认知与生理层面搭建了小到人生
、大到民族社会行为的基础，是揭示认知机理、行为机
理的重要视角。早在19世纪晚期，如何改善知觉已引起
人们的关注，20世纪60年代末，Gibson在其著作《知觉
学习和发展的原理》中为知觉学习做了奠基性工作，随
着人们对于神经可塑性在学习过程中重要性的研究的不
断深入，从20世纪90年代至今，知觉学习已逐步成为认
知科学的研究热点之一。
虽然知觉学习的实际应用尚处早期，但在教育教学
、医疗康复等领域，关于视觉知觉学习的研究已走向商
业化，例如，通过特定的强化视觉训练改进弱视者的视
力，通过安排精心设计的单词词表增强记忆学习的效率
，等等。进而通过游戏场景、临床矫正、康复、学习软
件等环境的应用，为先天感知缺陷人士、学生乃至一般
受众提供增强感知、优化感知与决策的可能。
本书作者在知觉学习领域有20多年的耕耘与研究积
累，从早期的知觉模板模型（PTM）到增强型Hebbian重
加权模型（AHRM），再到集成重加权理论（IRT）的深
入拓展，他们的研究步伐一路伴随知觉学习的起步与繁
盛。同时，本书不仅凝聚了两位作者的创建，更汇集了
20余年来相关领域众多杰出科学家与研究者的辛勤汗水
。本书对于读者学习与深入研究知觉学习理论与技术有
重要的参考价值。
本书的翻译工作是在极其紧张的条件下，历经所有
团队成员的艰辛努力最终完成的，其中凝聚着所有参与
者的真诚与付出。本书的翻译工作由李川副教授统一协
调组织。参与翻译工作的有何军、邓梓烽、陶东、王广
川、曾严、刘江亭、董芮臣、金翔、吴欣、雷英鹏，他
们是四川大学计算机科学与技术专业的研究生，他们在
节假日、在寒夜里加班工作，对译文精雕细琢，最终有
了本书中译本的诞生。何军副教授协助进行了本书的最
终统稿。
尽管译者心正意诚，然则受限于自身水平，书中难
免存在问题。期望各位读者给予批评、指正，各位的反
馈将使本书更趋完善。最后，真诚期望本书对大家有益
，这是对我们翻译工作的最大认可！
译者
2022年8月3日夜
于四川大学数据库与知识工程实验室