提出了一种动态计算时间模型，利用强化学习的方法来加速细粒度图像识别中循环视觉注意 (RAM) 的平均处理时间，该模型通过学习何时停止处理输入图像来决定注意力的数量，实验证明该模型可以有效地减少平均计算时间，同时保持与 RAM 相同的识别性能。

Mar, 2017

通过固定点引导的并行 RNN 或层，将机器学习模型使其更像人类阅读，并通过语言建模和情感分析任务的实验来测试其有效性，从而提供了经验验证此直觉的证据。我们的模型在语言建模任务上表现出良好的性能，明显优于基准模型，并发现神经网络预测的固定点持续时间与人类的固定点有相似之处。模型在没有明确引导的情况下做出与人类相似的选择，并调查了它们之间差异的原因，解释了为什么 “模型固定点” 在指导语言模型时往往比人类的固定点更合适。

Oct, 2023

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

本文介绍了一个基于计算机视觉和人类动态视觉系统的深度学习模型，该模型采用可训练的动量能量感知和一种自适应运动集成和分离的循环自我关注网络相结合的方法，能够更好地解释人类视觉运动处理。

May, 2023

通过对非侵入式脑电图记录进行对齐，我们提出了 “Re (presentational) Al (ignment) Net”，这是一个与人类大脑活动对齐的视觉模型，其与人类大脑表征更加相似，从而在人工智能领域取得了突破。

Jan, 2024

本研究采用时间分辨脑成像和深度学习的方法，探究人脑视觉处理的层次动态及信息流向，结果表明，回归深度神经网络模型比参数匹配前馈模型更能准确捕捉人脑视觉处理的多区域功能

Mar, 2019

本文介绍一种基于 AER 视觉传感器输出中的精确时间信息的突触神经元模型，在物体识别中可以实现高准确度，实验表明这种基于时间的计算方法可以比传统的时钟系统更为高效。

Aug, 2015

本文提出了神经视觉注意力算法（NeVA），并利用仿生视觉约束在神经网络上实现了类人的扫描路径生成。实验结果表明，该方法在类人扫描路径相似性方面优于现有无监督的人类注意力模型，同时可灵活地研究不同任务对视觉行为的影响，并在考虑不完美的视觉条件下的实际应用中表现出明显的优势。

Apr, 2022

通过实验证明人类视觉搜索行为并建立了第一个基于 SNN 的视觉搜索模型，该模型结合了人工视网膜结构与尖峰特征提取、记忆和注视决策模块，通过群体编码实现快速高效的注视决策，能够学习类似人类或接近最佳的凝视策略，在搜索速度和准确性方面优于人类，并通过短注视决策延迟和稀疏激活实现高能效性。这一工作将神经科学和机器学习中的视觉建模联系起来，并为开发更高能效的计算机视觉算法提供了启示。

Oct, 2023

本研究调查神经网络表示与人类认知表示之间对齐的因素，发现模型规模和架构对齐性没有实质性影响，而训练数据集和目标函数对齐性有更大的影响。研究发现，神经网络表示的线性转换有助于提高与人类相似性判断的一致性，但规模和多样性更大的数据集训练的模型也不能满足人类认知表示的需求。

Nov, 2022