研究深度残差网络（ResNet）、循环神经网络（RNN）和灵长类视觉皮层之间的关系。作者提出了一种将浅层RNN与ResNet进行结合以及一种基于RNN的新型神经网络架构，并通过对CIFAR-10和ImageNet数据集的测试证明了其有效性。

Apr, 2016

本文探讨通过循环计算实现的“图案完成”过程在视觉感知中起到的重要作用以及相关生理和计算证据。

Jun, 2017

通过引入前馈卷积神经网络与反馈式局部循环连接设计，提高图像识别准确性，更加贴近灵长类动物视觉系统的神经活动，为当代物体识别任务的研究提供了新的思路。

Jun, 2018

本研究开发了一个具有四个解剖学区域和循环连接的 CORnet-S 模型，并研究了其在大规模神经和行为基准中的功能保真度，结果显示出 CORnet-S 比其他紧凑模型在ImageNet任务方面具有更好的性能，从而成为目前灵长类下视觉系统最好的模型。

Sep, 2019

本文介绍了一种通用方法，基于主观逻辑理论和重复视觉模型中的证据累积，构建对反应时间的计算机解释， 并证明它可以与人类的视觉决策方式进行对齐。

Jun, 2023

通过研究大规模可视化模型中循环神经网络（RNN）的表征动力学，发现推理过程中表征持续演化，且错分表征表现出较低的L2范数激活模式，并更靠近读出区域的边缘，这种排列方式有助于错分表征随时间进展逐渐进入正确的区域，结果对于理解自然任务中RNN动力学具有普适意义。

Aug, 2023

深度神经网络在腹侧视觉流中与脑活动相吻合。然而，灵长类动物视觉系统具有与之不同的背侧处理流，具有不同的功能性质。本研究旨在通过训练自监督几何感知递归神经网络（GRNN）来预测新的相机视图，使用3D特征存储器来测试该模型是否与背侧视觉区域的神经响应更吻合。与已被证明在腹侧区域中吻合良好的自监督基准模型相比较，我们发现GRNN在背侧脑区能更好地解释方差的比例。我们的研究结果表明了利用任务相关模型来研究视觉流之间的表征差异的潜力。

Sep, 2023

人类视觉系统使用两个并行通路进行空间处理和物体识别，而计算机视觉系统往往使用单一的前馈通路，导致其鲁棒性、适应性和效率低于人类视觉。为了弥补这一差距，我们开发了一种受人类眼睛和大脑启发的双流视觉模型，模拟人眼使用巨细胞和小细胞视网膜神经节细胞将视网膜输入分离到大脑的过程。通过对比人脑和模型处理同一视频的功能对齐性，我们发现WhereCNN和WhatCNN分支分别与视觉皮层的背侧和腹侧通路相匹配，主要因为它们的不同学习目标在视觉注意和物体识别中的显著差异。这种双流模型在脑启发的计算机视觉中迈出了进一步的步伐，使并行神经网络能够主动探索和理解视觉环境。

Oct, 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

我们提出了一种名为“动态网络架构”的新型智能系统架构，该架构依赖于稳定循环网络，并讨论其在视觉上的应用。我们的模型通过解释小区域网的较复杂特征为层次特征表示，与人工神经网络（ANNs）本质上不同。通过动态连接主义原则，我们的模型通过自组织机制，结合Hebbian可塑性和定期加强的抑制来稳定初级传入信号引起的神经激活。我们通过将线条片段组合成较长线条的实验，证明了DNA的可行性，即使在每个空间位置引入了高达59%的噪声，线条表示的构建仍然保持稳定。此外，我们展示了该模型能够从部分遮挡的输入中重建预期特征，并且可以推广到训练期间未观察到的模式。在本研究中，我们限制DNA在一个大脑皮层区域，并关注其内部机制，提供了关于一个独立区域的优势和不足的深入理解，并展望了未来工作如何通过组合多个区域来实现不变的物体识别。

Jul, 2024