利用深度卷积神经网络，研究人员成功地探测到哺乳动物腹侧视觉途径中逐渐增加的特定特征梯度，并将不断增加的特征复杂度映射到人类大脑，从而提供了研究大脑表示如何映射的自动化方法。最终，研究表明，在先前无法实现的精度下，深度卷积神经网络可以对人脑表示进行解码，为我们提供了更敏感的窗口观察人脑。

Nov, 2014

通过对感知神经元输入输出映射建模的深度前馈神经网络提出新的计算机制提取系统方法，将此方法应用于视网膜深层网络模型。研究揭示了视网膜的预测特征提取以及各种时空刺激下信号偏离期望的计算机制，为神经科学深度学习研究提供了　新的理论基础和研究方向。

Dec, 2019

通过分析经过训练的卷积神经网络（CNN），我们提出了一种算法来提取各个像素的扩散路径，以确定与目标类别相关联的输入图像中像素的位置，并且这种基于路径的表示在不同类别之间具有明显的区别。

Feb, 2024

人类视觉系统使用两个并行通路进行空间处理和物体识别，而计算机视觉系统往往使用单一的前馈通路，导致其鲁棒性、适应性和效率低于人类视觉。为了弥补这一差距，我们开发了一种受人类眼睛和大脑启发的双流视觉模型，模拟人眼使用巨细胞和小细胞视网膜神经节细胞将视网膜输入分离到大脑的过程。通过对比人脑和模型处理同一视频的功能对齐性，我们发现 WhereCNN 和 WhatCNN 分支分别与视觉皮层的背侧和腹侧通路相匹配，主要因为它们的不同学习目标在视觉注意和物体识别中的显著差异。这种双流模型在脑启发的计算机视觉中迈出了进一步的步伐，使并行神经网络能够主动探索和理解视觉环境。

Oct, 2023

该论文使用深度卷积神经网络预测 V1 神经元对自然图像的响应，发现有 15% 的神经元可以准确预测，并使用逆神经网络确定激发 V1 神经元的图像特征（接受野），其中包括预测高级纹理图像特征的神经元。

Jun, 2017

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

研究表明，使用卷积神经网络 (CNN) 驱动的图像识别技术不仅能在下流视觉区域说明大脑对静态图片的反应，还能可靠地预测和解码人类观看自然电影时的功能性磁共振成像数据，并通过缺少有关时间动态或反馈处理机制的 CNN-Predicted areas 覆盖了包括腹侧流和背侧流在内的大部分视觉和语义空间。

Aug, 2016

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

本文提出了一种基于改进的 RICA 模型的新方法，通过使用 sPCA 算法，模拟了人类视觉处理中不同层级的感受野，可以帮助理解人类视觉的功能和实现计算机视觉的研究。

Dec, 2013

本研究提出了一种深度学习框架，同时进行视觉表示的深度特征学习以及时空上下文建模，以实现准确的视觉路径预测，并构建了基准数据集进行综合性评估，得到了优于现有方法更好的泛化能力和性能表现。

Jan, 2016