Das Ziel visueller Verarbeitung ist es, aus den Bildern auf der Netzhaut verhaltensrelevante Eigenschaften einer Szene zu extrahieren. Dies ist ein komplexes algorithmisches Problem. Eine seit langem bestehende Hypothese besagt, dass entlang der Hierarchiestufen des visuellen Systems immer komplexere, aber vom Menschen interpretierbare, Eigenschaften aus einer Szene extrahiert werden. Darüber hinaus ist das Sehen bei Primaten ein aktiver Prozess, bei dem Informationen während freier Betrachtung einer Szene durch kurze sequenzielle Fixationen erworben werden. Trotz jahrzehntelanger Forschung sind wir noch weit von einer vollständigen Charakterisierung der Antworteigenschaften von Nervenzellen entlang der kortikalen Hierarchie und deren Dynamik beim freiem Betrachten einer Szene entfernt. Zwei Hauptgründe sind die nichtlineare Natur der Informationsverarbeitung und die hohe Dimensionalität des visuellen Inputs. Diese machen es schwer, neuronale Repräsentationen von natürlichen visuellen Reizen während natürlichem Verhalten wie freiem Betrachten zu charakterisieren. Das vorgeschlagenen Projekt will diese Lücke mit Hilfe von Inception Loops schließen, einer innovativen Methode, die Aufnahmen vieler Nervenzellen und Deep Learning (DL) zu Modellen neuronaler Aktivität kombiniert, die eine systematische rechnergestützte Charakterisierung der Selektivität von Nervenzellen ermöglicht, die nachfolgend im biologischen Experiment verifiziert werden kann.