一个计算深度学习的研究,在人类大脑的动态感知

科学领域:

• 认知神经科学 认知神经科学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 人类的视觉系统功能性地分离了有生命的和无生命的物体.
• 了解动物感知是至关重要的,特别是类似动物的动物形物体.
• 人类感知 (动物偏见) 和关于动物形态物体的深度神经网络 (DNN) 之间存在着显著的差异.

研究的目的:

• 通过计算方式调查人类对动物形态物体的"动物偏见"的起源.
• 为了确定DNN在特定的训练条件下是否可以表现出类似的偏差.
• 探索可能导致人类感知偏差的各种因素.

主要方法:

• 训练深度神经网络 (DNN) 明确使用动物形态对象.
• 比较训练计划,以评估它们对诱导DNN中的"动物偏差"的影响.
• 分析诸如类别区分,形状/纹理敏感性和生态有效性等因素.

主要成果:

• 成功诱导DNN中的"动物偏见",通过训练它们与动物形象对象.
• 替代的培训计划并没有导致这种偏见的出现.
• 该研究探讨了超级类别的影响,面部/身体敏感性,形状偏见和生态有效性.

结论:

• 对动物形象物体的"动物偏见"似乎是人类感知的独特特征.
• 这种偏见可以通过考虑人类的学习历史和特定的培训制度来计算解释.
• 研究结果表明,人类学习感知物体的方式显著塑造了他们的动物性判断.