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

深度神经网络在视觉科学中作为模型的好处是不言而喻的，提供解释、预测和图像可计算性是模型的期望，不能牺牲其中任何一个

Dec, 2023

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

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

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

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

本文讨论了当前深度神经网络在计算机视觉领域的优势与劣势，并探讨了如何解决计算机视觉中所面临的组合爆炸问题。我们认为，当前的深度神经网络很难克服这个困难，因此需要重新思考我们评估算法性能的方法。

May, 2018

该研究综述了计算神经科学家开发的数据分析概念和技术如何有助于分析深度神经网络（DNN）中的表示，并探讨了近期发展的 DNN 分析技术如何有助于理解生物神经网络中的表示，为神经科学和机器学习领域提供了协同机会，例如使用 DNN 作为神经科学的模型系统，并探讨了这种协同怎样能够产生有关生物神经网络操作原理的新假设。

Oct, 2018