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。

Jun, 2014

通过使用深度卷积神经网络模型，本文发现视觉系统中的不同神经约束可以导致视觉处理的不同阶段产生不同的表征模式，并预测小型脊椎动物的视网膜应执行非线性的特征检测计算，而大型动物的视网膜应当基本以线性方式编码视觉场景以响应广泛的刺激。

Jan, 2019

运用多任务学习方法使深度神经网络对图片失真有着较好的鲁棒性，研究结果表明，从灵长类的视觉皮层中提取归纳偏见，使神经网络更类似于人类视觉系统，提高了其在面对失真问题时的效率。

Jul, 2021

该研究试图通过两个方面对 CNN 的内部表示进行探究，即可视化不同层级所构建的表示空间中的补丁和可视化每个层中保留的视觉信息，进而比较不同深度的 CNN 的优势。

Dec, 2014

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

通过使用大规模神经系统数据对卷积神经网络进行正则化来学习更强的神经特征，以提高模型对于对抗扰动和噪声的分类鲁棒性。

Nov, 2019

在具有卷积神经网络的目标识别方面取得了巨大成功的同时，它们难以辨识出带有不同类型常见噪音模式的图像中的对象。最近的一项研究表明，在模拟 CNN 前端的早期视觉区域中的计算将提高对图像破坏的鲁棒性，本文进一步探讨了这一结果，并显示精确匹配灵长类 V1 区中发现的 RF 特性分布所产生的神经元表示对于这种鲁棒性改进至关重要。我们构建了两种变体的模型，其中前端模型模拟了灵长类的视觉皮层（V1）：一种是均匀采样 RF 特性，另一种是采样自生物实验分布。具有生物采样的模型对图像破坏具有较高的鲁棒性（相对差异为 8.72%）。虽然两个变体之间的类似神经元亚种群具有相似的响应特性，并学习相似的下游权重，但对下游处理的影响却截然不同。这个结果揭示了一些仿生模型鲁棒性改进的原因，指向了精确模仿在灵长类大脑中发现的神经元表示的必要性。

Oct, 2023

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

利用深度卷积神经网络，研究人员成功地探测到哺乳动物腹侧视觉途径中逐渐增加的特定特征梯度，并将不断增加的特征复杂度映射到人类大脑，从而提供了研究大脑表示如何映射的自动化方法。最终，研究表明，在先前无法实现的精度下，深度卷积神经网络可以对人脑表示进行解码，为我们提供了更敏感的窗口观察人脑。

Nov, 2014

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