在人类和神经网络的物体识别中进行速度准确性权衡的基准测试

科学领域:

• 认知科学 认知科学
• 计算机视觉 计算机视觉
• 人工智能的人工智能

背景情况:

• 主动对象识别对于驾驶和阅读等现实任务至关重要.
• 人类的表现显示出灵活的速度-精度权衡 (SAT),这是一个关键的,但在计算上具有挑战性的技能.
• 现有的计算模型往往无法充分纳入决策的时间动态.

研究的目的:

• 引入第一个用于研究 ImageNet 对象识别中的速度精度权衡 (SAT) 的数据集.
• 将人类SAT性能与各种动态神经网络架构进行比较.
• 确定神经网络模型,最好地捕捉人类在物体识别中的时间决策.

主要方法:

• 从148名人类观察员收集了数据,他们执行了一个时间敏感的16路ImageNet分类任务.
• 开发了动态神经网络,根据可用的推理时间调整计算,使用重复计数 (层,反复周期,早期退出) 作为时间模拟.
• 使用SAT-fit错误,类别相对关系和SAT曲线度等指标比较人类和网络性能.

主要成果:

• 人类在物体识别中的准确性随着反应时间的增加而增加,这证实了预期的速度-准确性权衡.
• 级联动态神经网络在多个指标中显示出与人类SAT表现的最强相关性.
• 卷积循环网络,以前被青用于模拟人类对象识别,在这个SAT基准测试中表现不佳.

结论:

• 时间是人类对象识别的关键,稀缺的资源,需要考虑时间适应的模型.
• 级联动态神经网络为模拟视觉识别中的人类速度精度权衡提供了一个有前途的计算框架.
• 该研究强调了传统的循环网络模型在捕捉动态的时间决策过程中的局限性.