机器学习技术用于模拟人工视觉中的低分辨率基面部图像的人类心理物理测试

科学领域:

• 生物医学工程 生物医学工程
• 计算机科学 计算机科学
• 神经科学是一个神经科学.

背景情况:

• 人类心理物理实验对于评估人工视觉感知至关重要,但耗时.
• 硬件/软件的修改需要重复,劳动密集型的测试.
• 机器学习 (ML) 为简化评估过程提供了一个潜在的解决方案.

研究的目的:

• 调查标准ML模型在使用烯图像刺激的匹配样本任务中复制人类表现的能力.
• 根据低分辨率的烯输入,评估ML模型在预测人类面部识别能力方面的准确性.
• 探索ML在减少在视觉假肢开发中需要广泛心理物理测试方面的潜力.

主要方法:

• 开发了在3600张人类面部色素图像的数据集上训练的ML模型.
• 将ML模型的性能与来自心理物理测试的人类受试者数据进行比较,该测试涉及720张烯图像和36名参与者.
• 分析了ML模型的能力,以预测人类对新型烯图像的识别性能.

主要成果:

• 一个优秀的ML模型准确地反映了人类的行为趋势,预测了9个素质量级别中的8个.
• 机器学习模型展示了对未经测试的烯图像预测人类识别性能的能力.
• 与传统方法相比,ML方法显著简化了评估过程.

结论:

• 机器学习模型可以有效地复制和预测人类在人工视觉任务中的表现,使用素刺激.
• 这种基于机器学习的方法有可能显著加速视觉假肢的研究和开发.
• 这些发现凸显了人工视觉领域向更有效的评估方法的范式转变.