人类和机器有相同的眼睛吗？基于图像分类的人机感知差异
通过广泛测试人类观察者和机器学习模型的表现，本研究发现最先进的自监督和转换器模型在大部分研究中已经超越人类的前馈性能。人类和机器视觉的行为差异正在缩小，但还有许多改进的空间。
Jun, 2021
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
通过一项大规模众包研究，本文揭示和量化了通过图像分类任务来人与计算机理解背景的分歧，并回答了哪些复杂机器学习模型更接近于人类使用特征以进行准确预测，任务的难度如何影响机器选择特征的能力，并与人类相比，人类是否一致更擅长选择使图像识别更精确的特征。以上发现对于人机协作具有重要的意义，考虑到人工智能领域的长期目标是使机器能够像人类一样学习和推理。
Jan, 2021
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
本研究提出了一种新的通过行为分类进行计算机视觉算法性能提高的方法，并且通过消除数据集的混杂因素来比较人类和计算机视觉性能，表明当前计算机视觉算法的性能还有待提高。
Mar, 2020
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
通过实验，我们发现人们对于更具人类特征的机器人的判断更加接近对待人类的方式，主要受到机器的代理能力的影响，这表明人们对人和机器的差异性判断可以通过心理模型的演变来解释。
Oct, 2022
本文比较了人类视觉系统和深度神经网络（DNN）在图像退化方面的泛化能力，发现人类视觉系统更加耐受于图像处理，而当信号变弱时，人类和 DNN 的分类误差模式逐渐分离，这表明在视觉识别方面，人类和 DNN 之间仍存在显著差异。
Jun, 2017
通过图灵测试进行了人工智能算法和人类的对比实验，实验结果表明在视觉和语言挑战方面，当前的人工智能算法已能够成功模仿人类的判断。同时，该论文提出了一个评价人类模仿能力的方法，通过该方法可以进行新的理论探究与研究成果的展示。
Nov, 2022