研究了深度卷积神经网络在视角变化下物体识别任务中的表现，发现在视角变化较小时，浅层网络可以优于深层网络和人类表现。但是，当面临较大的视角变化时，需要更深的层次来匹配人类表现。最深的18层卷积神经网络在最高变化水平下优于人类表现，使用了最类人的表征。

Aug, 2015

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

在图像质量失真的影响下，深度神经网络的表现远不及人类，但两者的错误率存在着较少的相关性，表明图像的内部表现在网络和人类眼中存在差异。这些与人类视觉表现的比较有助于指导未来更具鲁棒性的深度神经网络的发展。

May, 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

该论文研究表明“最小图像”是人类能够识别的最小区域，而在自然图像识别中，深度神经网络（DNNs）和人类在识别最小图像区域发生微小变化时的能力都较为脆弱，这揭示了DNNs在自然图像中的鲁棒性有待进一步提高。

Feb, 2019

该论文探讨了神经网络架构在解决视觉任务时存在的局限性，与人类学习抽象概念的策略不同。研究利用一组新的图像转换方法，对人类和网络在对象识别任务上进行了评估，发现常见网络的性能迅速下降，而人类能够以高精度识别对象。

May, 2022

研究发现，尽管深度神经网络（DNNs）的成功主要是由于计算规模，而不是基于生物智能的洞见，但是随着精度的提高，DNNs与人类视觉策略的一致性逐渐降低，但是神经谐振器的出现可以使DNNs与人类的视觉策略相一致并提高分类精度。

Nov, 2022

本文回顾了当前深度神经网络在作为人类核心物体识别合适的行为模型方面存在的证据，并指出深度神经网络作为计算模型的质量是一个多维概念，需要在建模目标方面达成明确的理解与共识。本文通过分析大量的人类感知和深度神经网络核心物体识别能力的心理物理和计算机探究，得出深度神经网络作为科学工具的价值性，同时认为深度神经网络目前只是作为人类核心物体识别行为的有前途但尚不充分的计算模型。在此过程中，我们驳斥了一些关于深度神经网络在视觉科学中存在的神话。

May, 2023

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

DNNs guided by neural representations from the human ventral visual stream display increasing robustness to adversarial attacks, develop more human-like decision-making patterns, and suggest new robustness solutions by emulating the human brain.

May, 2024