性能优化的深度神经网络正在演变成更差的下颞顶叶视觉皮层模型

Jun, 2023

性能优化的深度神经网络正在演变成更差的下颞顶叶视觉皮层模型

Performance-optimized deep neural networks are evolving into worse models of inferotemporal visual cortex

Drew Linsley, Ivan F. Rodriguez, Thomas Fel, Michael Arcaro, Saloni Sharma...

TL;DR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。

Abstract

One of the most impactful findings in computational neuroscience over the past decade is that the object recognition accuracy of deep neural networks (DNNs) correlates with their ability to predict neural respons

neural networks object recognition inferotemporal cortex deep learning biological vision

发现论文，激发创造

深度神经网络在核心视觉物体识别方面可以与灵长类 IT 皮质的表现相媲美

通过核方法评估，本文针对实验和计算考虑，比较了深度神经网络和灵长类动物视觉系统在目视物体识别任务中的表现，结果表明最新的深度神经网络做到了与灵长类动物视觉皮层相匹敌的表现水平，并发现在表示学习性能良好的模型在表示相似度和特定皮层多单元反应预测方面也表现良好。

Jun, 2014

当信号变弱时，深度神经网络与人类的物体识别能力的比较

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

使用人工神经网络探究依赖于海马的任务中场景感知的神经表示

该研究通过使用三元组损失训练深度神经网络，使其学习场景感知任务和无监督的目标分割，在编码和解码中使用分解的潜在空间，实现在视角变换时实现场景的转换和重建。

Mar, 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

深度神经网络物体识别策略与人类的协调

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

人类和深度学习在视觉扭曲下识别性能的研究与比较

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

深度神经网络容易被愚弄：对不可识别图像的高置信度预测

本研究研究了深度神经网络在计算机视觉领域上的发展，并提出了 “欺骗图像” 的概念，在模型认为是熟悉对象的情况下生成了一系列对人类难以识别的图像，揭示了计算机视觉与人类视觉之间的有趣差异。

Dec, 2014

深度神经网络能否充当人类视觉感知的行为模型？

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

利用人类腹侧视觉通路提高神经网络的稳健性

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

人类与深度神经网络的泛化能力

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