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

通过对三种著名的深度卷积神经网络在十二种不同的图像失真下的实验对比，研究表明，与这三种人工智能算法相比，人类视觉系统在几乎所有的测试图像处理中都更加鲁棒，其误差模式渐行渐远。本文还证明了，利用失真图像直接训练的深度学习神经网络在恰当的测试条件下，表现优于人类。然而，当被分别用于测试不同类型的失真图像时，它们的泛化能力极差，无法适应噪声分布的变化，这成为深度学习视觉系统所面临的关键挑战，可用一种终身机器学习的方法进行系统化解决。

Aug, 2018

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

深度学习与人类在几个物体识别基准上的差距正在缩小。在本文中，我们研究了在不寻常视角下观察物体的情况下这个差距。我们发现，与最先进的预训练网络（EfficientNet，SWAG，ViT，SWIN，BEiT，ConvNext）相比，人类在识别不寻常姿势的物体方面表现得更出色。值得注意的是，当我们限制图像暴露时间时，人类的表现下降到深度网络的水平，这表明当人类在不寻常姿势下识别物体时，会进行额外的心理过程（需要额外的时间）。最后，我们对人类和网络的错误模式进行分析，发现即使是时间有限的人类与前馈深度网络也有不相似之处。我们得出结论，需要更多的工作来使计算机视觉系统具备人类视觉系统的鲁棒性。了解额外的观察时间中进行的心理过程的性质可能是获得这种鲁棒性的关键。

Feb, 2024

介绍了一种基于神经网络算法的计算机视觉和机器学习新方法，通过极小的感受野感知神经元构建深度神经网络来实现图像分类，相比于传统的方法显著提高识别性能

Feb, 2012

本研究研究了深度神经网络在计算机视觉领域上的发展，并提出了 “欺骗图像” 的概念，在模型认为是熟悉对象的情况下生成了一系列对人类难以识别的图像，揭示了计算机视觉与人类视觉之间的有趣差异。

Dec, 2014

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

本文通过对自然图像数据集 CIFAR10 的人工识别实验，与最新的深度神经网络进行了公平的比较，揭示了当前人工智能目标识别与人类识别能力之间的差距，同时提出了一种可用于评估和改进未来神经网络的新型 CIFAR10 分级子集。

Nov, 2018

通过合成实验，研究深度学习算法从图像中推断简单的视觉概念，如对称性，作者设计了 “啊哈挑战” 以促进对 Gestalt 风格机器智能的研究。实验表明，相比于深度卷积神经网络，人类能够很快推断出语义概念，但需要更少的示例才能做到这一点。

Sep, 2017

通过比较 146 个孩子和成年人以及深度神经网络的核心目标识别表现，发现了出人意料的鲁棒性，并且提出了与站在人类视角不同的、更需要数据的策略。

May, 2022