Aug, 2024

寻找闭合：对卷积神经网络中完形法则的更深入探讨

HTML
PDF
TL;DR本研究探讨了卷积神经网络在对象识别中是否能模仿人类的完形闭合能力，填补了先前研究中对该机制支持的缺口。我们提出了系统化框架及数据集，进行实验以验证不同CNN模型的闭合效应。研究发现，VGG16和DenseNet-121模型能够展现闭合效应，提升了对神经网络理解的透明度与比较性。
发现论文，激发创造
  • 视觉模式完成的循环计算

    本文探讨通过循环计算实现的“图案完成”过程在视觉感知中起到的重要作用以及相关生理和计算证据。

    Jun, 2017

  • 超越准确性：通过测量误差一致性来量化CNN和人类的逐试行为

    提出了一种基于Trial-by-Trial误差一致性的定量分析方法，可以区分决策者（大脑或算法）的处理策略，在对象识别方面，人类和机器视觉之间仍存在巨大的差异。

    Jun, 2020

  • 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

  • 深度神经网络中Gestalt分组的证据存在不确定性

    本文研究了DNN模型在场景感知和对象识别中是否存在类似人类感知的Gestalt现象，并发现不同类型的DNN模型在处理不同的刺激时，只在最后一个处理层表现出一定的Gestalt效应，但这种效应与人类感知的Gestalt效应不同，从而表明DNN学习到的感知属性与人类有根本的差异。

    Mar, 2022

  • 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

  • 降阶复杂多边形引发神经网络感知的基本问题

    研究了现代计算机视觉系统与人类视觉存在的差距，通过测试神经网络对多变形正多边形边缘降级的图像的分类和恢复能力，发现神经网络的行为与人类行为存在冲突，引发了对现代计算机视觉模型的鲁棒性和学习能力的根本质疑。

    Jun, 2023

  • 分类神经网络中的中间隐藏层神经失调

    分类神经网络的中间隐藏层中出现一定程度的神经崩溃，而崩溃的程度通常与该层的深度正相关。此外，浅层网络主要减少样本内类别方差，类之间的角度分离随着隐藏层深度的增加而增加。实验结果提供了有关特征在分类神经网络中结构传播的细粒度洞察。

    Aug, 2023

  • 基于鲁棒性的人类类别感知之间的虫洞揭示

    当标准的人工神经网络模型生成小范数图像扰动时，人类的物体类别感知确实非常稳定；然而，在这种“人类认定的稳定”情况下，强化的人工神经网络可可靠地发现能够严重干扰人类感知的低范数图像扰动。

    Aug, 2023

  • 对卷积神经网络中缺失图像信息进行人类直觉建模

    本研究采用直觉建模，并将这种形式主义应用于改善卷积神经网络的性能。通过逐渐减少数据集图像中的视觉信息量以检查其对CNN准确性的影响，我们建立了一个用于视觉直觉的模型，该模型使用格式塔理论进行表征。实验证明，在使用不完整图像时，增强的CNN架构比经典模型提供更高的性能。

    Jul, 2024

  • 上下文语义相关性度量在人类视觉处理中的作用

    本研究针对以往研究中未充分考虑上下文信息的不足，提出上下文语义相关性度量，以评估目标物体与其周围环境之间的语义关系。通过应用先进的深度学习技术，研究发现这些度量能够精准预测视觉感知中的注视行为，组合度量的表现优于其他度量，为理解视觉认知中语义与视觉信息的相互作用提供了新视角。

    Oct, 2024