将深度神经网络的对象识别策略与人类协调一致
Thomas Fel1,2, Ivan Felipe1, Drew Linsley1,3
1Department of Cognitive, Linguistic, & Psychological Sciences, Brown University, Providence, RI.
Advances in neural information processing systems
|July 19, 2023
概括
深度神经网络 (DNN) 实现了高精度,但与人类视觉策略有所不同. 一种新的训练方法,神经协调器,通过将它们与人类视觉对齐来改进DNN.
科学领域:
- 计算机视觉 计算机视觉
- 认知科学 认知科学
- 人工智能的人工智能
背景情况:
- 由于计算能力的增加,深度神经网络 (DNN) 已经取得了显著的进步,不一定是生物洞察力.
- 当前的DNN在对象识别方面表现出色,但它们的内部视觉策略可能无法反映人类的认知.
研究的目的:
- 调查DNN的进步是否与人类视觉物体识别策略的改进解释相关.
- 为了比较人类和DNN如何利用视觉特征 (在哪里以及如何) 来对象分类.
主要方法:
- 在84个DNN和人类数据集之间比较视觉特征定位 ("何处") 和使用 ("如何").
- 分析了DNN准确性和与人类视觉策略对齐之间的权衡.
- 引入了一个"神经协调器"训练程序,以提高对齐和准确性.
主要成果:
- 有系统的权衡:随着DNN对分类准确性的提高,它们与人类视觉策略的对齐性下降.
- 最先进的DNN在视觉处理方面越来越不像人类,因为它们变得越来越准确.
- 神经协调器成功地提高了DNN与人类对齐和分类性能.
结论:
- 推动DNN发展的缩放规律无意中导致了人类视觉的较差模型.
- 神经协调器提供了一种方法来创建更类似人类的DNN.
- 这项研究为开发更好地反映人类视觉感知的DNNs提供了工具和见解.


