本文研究利用小区域的可识别特征进行视觉上对社交互动的识别，并根据解释类的视觉分析方法，分析了由所提取的最小图像构成的社交互动物理素材的认知方法。

Dec, 2017

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

通过计算机视觉和机器学习中的 Fisher Vectors 和 CNN 模型，本研究发现可以直接从像素级低级视觉输入预测高级视觉区域的人脑的活动，为探究人类视觉的功能原理提供了新平台。

Jul, 2014

这篇论文研究了一项名为统一感知分析的新任务，通过开发 UPerNet 多任务框架和一种训练策略来实现从给定图像中识别尽可能多的视觉概念，最后在自然场景中应用训练网络来发现视觉知识。

Jul, 2018

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

本文提出了一种新的视觉识别范式，名为 ViRReq，通过将视觉识别分解成命名为请求的原子任务，并利用知识库和语言驱动识别，在功不完备的数据集上学习复杂的整体 - 部分层次结构，并且能够轻松地插入新的概念。

Jul, 2022

对于快速动物 vs 非动物分类任务，我们对不同阶段处理的视觉表示进行了分析，并发现人类的决策最符合中间阶段的预测结果。结果表明，人类可能依靠中等复杂度的视觉特征进行快速分类，并且现代深度网络模型所提供的视觉表示的复杂度可能超出人类在这种任务中使用的复杂度。

Jun, 2016

通过神经网络提取视觉特征，可以用 fMRI 预测任意物体类别，这在大脑信息检索上有实际应用。

Oct, 2015

利用仅依赖于大脑可访问的信息进行训练的图像序列和自我运动，我们开发了一种新颖的网络架构，能够同时学习从离散图像中分割对象、推断其三维位置和感知深度，从而作为预测学习的副产品有效地学习对象的表示。

Mar, 2024

通过使用根据预定义的分类法层次化组织的视觉原型模型，可以实现解释性地对图像进行分类，使得该模型能够对来自先前未见过的类别的图像进行解释性地分类。

Jun, 2019