人工神经网络中的稀疏性预测美丽:走向基于处理的美学模型

科学领域:

• 神经美学是一种神经美学.
• 计算神经科学是一种神经科学.
• 人工智能的人工智能

背景情况:

• 在历史上,定义美丽从客观特征转向主观感知.
• 审美流理论认为,美是来自于大脑高效的信息处理.
• 之前的研究缺乏定量模型,以大规模测试流理论.

研究的目的:

• 使用深度卷积神经网络 (DCNNs) 开发美学流理论的定量模型.
• 为了研究神经元稀疏度之间的关系,处理效率的衡量标准,和感知到的美丽.
• 评估神经元稀疏性和基于特征的美容指标的预测能力.

主要方法:

• 利用DCNN来模拟大脑的信息处理.
• 在各种图像类型 (面孔,艺术) 的DCNNs中分析了神经元稀疏性.
• 与人类美容评分相关的神经元稀疏性和基于特征的指标.

主要成果:

• 神经元稀疏性解释了高达28%的美容评分差异.
• 将稀缺性与基于特征的指标相结合,预测能力提高到47%.
• 在DCNN层中发现了稀疏性和美丽之间的正负相关性,表明了复杂性.

结论:

• 神经元稀疏是美学体验的重要,尽管复杂的预测因素.
• 信息处理效率,而不仅仅是内容,对于预测美丽至关重要.
• 处理流性和美丽之间的关系比以前建模的要复杂得多.