May, 2024

基于物体训练的卷积神经网络中的面部处理

PDF
TL;DR通过利用卷积神经网络 (CNN) 的最新进展，本研究对是否面部识别取决于独特的领域特定神经认知机制还是领域通用的物体识别机制进行了系统测试，并通过训练仅针对物体的 CNN 并测试其识别和表征面部以及类似面部的物体的能力，证实了领域通用机制的假设。
face processingneurocognitive mechanismsobject recognition mechanismsconvolutional neural networksdomain-general mechanism
发现论文，激发创造
  • 利用类人机制削弱人脸识别卷积神经网络中预训练权重偏差的影响

    卷积神经网络已被广泛应用和研究于不同领域，本研究通过迁移学习将四种经过广泛研究的卷积神经网络 (AlexNet、VGG11、VGG13 和 VGG16) 应用于情感价值分类任务，并将其性能与人类数据进行比较，结果显示这些卷积神经网络在某种程度上表现出类似于人类的表现，在基于神经科学和行为数据的注意力机制下，更新后的 FE-AlexNet 的性能优于其他测试的卷积神经网络，与人类感知紧密相似，从而更深入地揭示了这些卷积神经网络的计算机制。此研究还提供了通过人类数据更好地理解和改进卷积神经网络性能的新范式。

    Oct, 2023

  • 基础级别分类促进视觉对象识别

    本文研究基于儿童视觉物体识别能力的发展轨迹和 Bar (2003) 的理论，提出一种深度卷积神经网络训练的优化策略，在基础级别物体分类的基础上训练亚目标级别分类，进而在小型数据集的迁移学习中取得了优秀的效果提升，证明本方法的可行性和有效性。

    Nov, 2015

  • 有对象和无对象的物体识别

    本文提出了一种训练深度神经网络的新方法，分别对图像前景（对象）和背景（上下文）区域进行训练，并将多个训练网络结合在一起，以提高图像识别性能，证明了所提出的框架的优点。

    Nov, 2016

  • 基于深度学习的面部表情数据的事后和流形解释分析

    通过实验研究探究神经网络如何处理和储存面部表情数据，并将这些数据与人类产生的各种心理属性相联系，表明深度学习模型在理解人类情绪和认知过程方面具有潜力，非欧几里德空间视角下的认知产品或心理属性的多样化可视化解释不仅提供了对 AI 的可解释性的新见解，还推动了 AI 技术在心理学领域的应用和心理信息处理的新的理论理解。

    Apr, 2024

  • 使用神经网络捕捉视觉对象

    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

  • 理解虚假人脸

    本研究使用自行创建的虚假人脸数据库进行图像侦测、分类和生成，结果表明视觉基于人脸识别算法与人类水平的表现之间存在差距，但这为提高人脸识别算法的进展提供了可借鉴的知识。

    Sep, 2018

  • 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

  • DeepVisage：简单却具有强大的泛化能力的人脸识别技术

    本文提出并实现了一种基于单个卷积神经网络的人脸识别方法，使用残差学习框架和归一化特征计算损失，实验证明在不同数据集上具有较好的泛化性能。

    Mar, 2017

  • 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

  • 深度场景卷积神经网络中浮现的目标检测器

    本文讨论了利用卷积神经网络进行场景分类的方法，通过该方法可以自动学习场景中有意义的对象探测器，从而在单个前向传递中实现场景识别和对象定位。

    Dec, 2014