مغز تصویر رو از شبکیه می‌گیره و از طریق عصب بینایی به قشر بینایی اولیه V1 می‌فرسته، چیزای ساده مثل لبه‌ها و جهت‌ها پردازش می‌شن. بعدش توی قشر بینایی ثانویه V2 اشکال پیچیده‌تر تحلیل می‌شن. قشر V4 رنگ و بافت رو تشخیص می‌ده و در نهایت، V5/MT حرکت و ردیابی اشیا رو پردازش می‌کنه تا مغز بتونه کل صحنه رو بفهمه.

کامپیوتر هم عکس رو به صورت آرایه‌ای از صفر و یک می‌گیره، بعد پردازنده با فیلترهای تشخیص لبه و استخراج ویژگی‌های پایه‌ای، اطلاعات اولیه رو می‌سازه شبیه همون کاری که V1 توی مغز می‌کنه. بعدش الگوریتم‌های یادگیری ماشین شکل و رنگ رو می‌فهمن و در نهایت، شبکه‌های عصبی عمیق مثل CNN و ViT تصویر رو تحلیل و تفسیر می‌کنن، درست مثل مغز!


@Linuxor