深度神经网络中 Gestalt 分组的证据存在不确定性

Mar, 2022

深度神经网络中 Gestalt 分组的证据存在不确定性

Mixed Evidence for Gestalt Grouping in Deep Neural Networks

Valerio Biscione, Jeffrey S. Bowers

TL;DR本文研究了 DNN 模型在场景感知和对象识别中是否存在类似人类感知的 Gestalt 现象，并发现不同类型的 DNN 模型在处理不同的刺激时，只在最后一个处理层表现出一定的 Gestalt 效应，但这种效应与人类感知的 Gestalt 效应不同，从而表明 DNN 学习到的感知属性与人类有根本的差异。

Abstract

Gestalt psychologists have identified a range of conditions in which humans organize elements of a scene into a group or whole, and perceptual grouping principles play an essential role in scene perception and object identification. Recently, deep neural networks (DNNs) trained on natu

gestalt psychology perceptual grouping principles deep neural networks convolutional networks human vision

发现论文，激发创造

卷积神经网络的智能程度如何？

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

潜在噪声分割：神经噪声如何导致分割和分组的出现

通过数学演示，在现实假设下，神经噪声可以用于分离对象，并且在 DNN 网络中添加噪声使其能够对图像进行分割，从而产生与人类感知中观察到的感知分组现象一致的分段性能。

Sep, 2023

解开知觉分组的神经机制

通过对两个合成的视觉任务系统评估神经网络架构的组合，我们发现底层、水平和顶层连接的计算角色有所不同，且这些交互都可以更灵活地学习形成感知群体。

Jun, 2019

使用神经网络捕捉视觉对象

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

深度神经网络与人类之间的色彩感知差异

深度神经网络（DNN）在图像分类和物体识别任务中的表现令人印象深刻，然而它们对于颜色知觉等人类视觉基本方面的捕捉程度仍不清楚。本研究使用新型实验评估了 DNN 颜色嵌入的感知一致性，并通过在线调查评估了这些算法如何预测人类的颜色相似性判断。我们发现最先进的 DNN 架构，包括卷积神经网络和视觉变换器，所提供的颜色相似性判断与人类得出的（i）具有受控颜色属性的图像、（ii）从在线搜索生成的图像以及（iii）来自经典 CIFAR-10 数据集的现实世界图像存在显著差异。与我们检查的所有 DNN 相比，我们的基于小波分解的可解释和基于认知的颜色知觉模型提供更一致的颜色嵌入结果，更好地预测了人类的颜色判断。这些结果适用于在使用类似 DNN 体系结构进行训练的高级视觉任务（例如图像分类与图像分割）以及检查给定 DNN 体系结构中不同层的颜色嵌入时。这些发现在分析机器学习算法的感知表示和改进其作为人类视觉的认知合理模型的努力中创新了新的领域。机器学习、人类感知和具身认知的影响正在讨论中。

Sep, 2023

计算机视觉中的人类感知

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

统一感知分析的深度分组模型

本文介绍了一种称为深度分组模型的方法，该方法可以将视觉感知组合过程融入到最新的卷积神经网络中进行图像分割，并在基于 Broden + 数据集的统一感知解析任务中实现了最优结果。

Mar, 2020

深度神经网络的认知心理学：基于形状偏差案例研究

本文提出利用认知心理学的问题描述、理论和实验方法来解决现代深度神经网络的可解释性问题，并将发展心理学中关于儿童如何学习物体名称的分析应用到 DNN 模型中。发现在 ImageNet 分类任务上，表现良好的一次性学习模型也存在类似人类倾向于按照形状而非颜色对物体进行分类的偏向，并证明了认知心理学工具揭示 DNNs 的隐藏计算属性的能力。

Jun, 2017

深度无监督感知分组

本文介绍了一种有效的感知推断框架，该框架能够显式地处理输入和特征的分割，并通过增强神经网络的表示能力并对对象表示进行迭代分组，以及对其分组迭代推理进行摊销从而实现了快速收敛，相比其他处理多物体场景的方法，该方法不假设输入为图像，因此可以直接处理其他模态，并在处理具有纹理分割的复杂图像时提供更好的分类性能。

Jun, 2016

将深度网络特征应用于捕捉心理表征

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