Jun, 2014

深度神经网络在核心视觉物体识别方面可以与灵长类 IT 皮质的表现相媲美

PDF
TL;DR通过核方法评估，本文针对实验和计算考虑，比较了深度神经网络和灵长类动物视觉系统在目视物体识别任务中的表现，结果表明最新的深度神经网络做到了与灵长类动物视觉皮层相匹敌的表现水平，并发现在表示学习性能良好的模型在表示相似度和特定皮层多单元反应预测方面也表现良好。
primate visual systemobject recognitioninferior temporal cortexdeep neural networkskernel analysis
发现论文，激发创造
  • 性能优化的深度神经网络正在演变成更差的下颞顶叶视觉皮层模型

    本文发现，尽管深度学习神经网络在图像识别任务上比人类表现更好，但它们不能很好地预测自然图像在颞下皮层 (IT cortex) 的神经响应，我们提出了神经协调器，通过该工具可以纠正这个问题。

    Jun, 2023

  • 当信号变弱时，深度神经网络与人类的物体识别能力的比较

    本文比较了人类视觉系统和深度神经网络（DNN）在图像退化方面的泛化能力，发现人类视觉系统更加耐受于图像处理，而当信号变弱时，人类和 DNN 的分类误差模式逐渐分离，这表明在视觉识别方面，人类和 DNN 之间仍存在显著差异。

    Jun, 2017

  • 探究卷积神经网络和灵长类动物视觉皮层的表征相似性

    通过对多单元猴 IT 皮质的记录对比了几种具有不同深度和正则化技术的 ConvNets 的表征相似性，并评估其对灵长类视觉皮层的影响。我们发现，随着深度和验证性能的增加，ConvNet 特征越接近皮质 IT 的表征。

    Sep, 2016

  • 神经表示基准及其在脑和机器上的评估

    该论文提出了一个新的基准来测试视觉表征，该基准直接测试大脑中多个视觉皮层区域中的神经表征，并测试了产生特征空间的任何计算机视觉算法。结论是一种针对中等图像难度的学习算法能够达到与大脑皮层区域 IT 相当的性能水平，并且优于更简单的区域 V4，在较高难度水平时甚至超过了 IT。

    Jan, 2013

  • 使用人工神经网络探究依赖于海马的任务中场景感知的神经表示

    该研究通过使用三元组损失训练深度神经网络，使其学习场景感知任务和无监督的目标分割，在编码和解码中使用分解的潜在空间，实现在视角变换时实现场景的转换和重建。

    Mar, 2023

  • 使用神经网络捕捉视觉对象

    本研究回顾了关于人类目标感知和深度神经网络模型在目标识别方面的相关工作，并探讨了这两个领域如何相互促进，提供了发展新实验任务和推动深度神经网络模型中的目标识别的基准的认知文献和实验任务。

    Sep, 2021

  • 计算机视觉中的人类感知

    本文研究计算机视觉、深度神经网络（DNN）、人类视觉感知和无体系结构视觉学习之间的联系，并发现 DNN 计算可用于估计感知损失，并与有趣的理论观点一致，即人类感知的特性是视觉学习无体系结构的结果。

    Jan, 2017

  • 人类存在即时泛化，而深度神经网络存在泛化滞后 —— 对表示分化的证据？

    人类和深度神经网络在图像分类领域进行了许多行为比较的最新研究。我们报告了如何在人类观察者和各种经典和最先进的深度神经网络中获取可迁移表示的详细调查结果。发现表明，就绝对分类性能而言，深度神经网络展示了与人类学习者相媲美甚至超过的数据效率水平，挑战了该领域的一些主流假设。然而，整个学习过程中的比较揭示了显著的表征差异：深度神经网络的学习过程具有明显的泛化滞后，而人类似乎立即获得可泛化的表示，无需预备性学习训练集特定信息，这些特定信息只在之后被转移到新数据上。

    Feb, 2024

  • 将深度网络特征应用于捕捉心理表征

    使用深度神经网络进行物体分类，可以占人类相似性判断的重要部分，但不能捕捉到人类表现中的一些关键性质。我们开发了一种方法，将深层特征与人类相似性判断对齐，以获取可用于扩展心理实验范围的图像表示。

    Aug, 2016

  • 目标中心的深度神经网络中的视觉推理：一种比较认知方法

    通过测试多个以对象为中心的模型的关系学习和泛化能力，我们发现这些模型能够在多种情况下区分场景中的不同对象，但在更困难的任务和条件下仍面临挑战，说明抽象视觉推理仍然是深度神经网络，包括以对象为中心的模型面临的一个难题。

    Feb, 2024