灵长类背侧视觉通路深度网络模型的丰富标签来源

深度卷积神经网络（CNN）的结构与灵长类视觉皮层存在松散关联。令人惊讶的是，当这些网络被训练用于物体分类时，其早期、中间和后期层的活动与灵长类腹侧视觉通路相应部分的活动模式变得密切相关。活动统计量远非完全相同，但或许可以最小化剩余差异，以产生具有高度类脑活动与性能的人工网络，这将为理解灵长类视觉提供丰富的洞见来源。使 CNN 活动与神经活动更紧密对齐的一种方法是添加代价函数，直接驱动深层网络逼近神经记录。然而，对于深层结构（如灵长类中颞区 MT），获取足够大的数据集尤为困难。为绕过这一障碍，我们开发了一个丰富的 MT 活动经验模型。该模型是像素可计算的，因此可以提供任意大（但近似）的标签集，以更好地指导深度网络相应层的学习。我们的模型比以往模型更接近地逼近了 MT 的多种现象。此外，我们的模型通过从电生理文献中估计的十四个参数分布，详细逼近了群体统计量。一般而言，内部表征与大脑高度近似的深度网络可能有助于阐明产生这些表征的机制，以及这些表征的各种属性在视觉任务执行中的作用。尽管我们的经验模型不可避免地与实际神经活动存在差异，但它允许独立调节调谐特性，这可能使得对这些特性的起源和功能角色进行非常详细的探索成为可能。