邻接光栅错觉：对神经网络模型的认知挑战
计算机视觉与模式识别
2022-08-09 v1 人工智能
摘要
即便是最先进的深度学习模型，相较于人类仍缺乏基本能力。已有多种比较范式被提出以探索人类与深度学习之间的区别。虽然大多数比较依赖于受数学变换启发的扰动，极少基于人类认知现象。本研究中，我们提出一种基于邻接光栅错觉的新颖扰动方法，该错觉是在人类及广泛动物物种中普遍发现的视觉现象。该扰动方法破坏由梯度定义的边界，并利用相互邻接的线光栅产生错觉轮廓的感知。我们将该方法应用于 MNIST、高分辨率 MNIST 与剪影物体图像。多种深度学习模型在扰动下接受测试，包括从头训练的模型以及 109 个使用 ImageNet 或各种数据增强技术预训练的模型。我们的结果表明，邻接光栅扰动即便对最先进的深度学习模型也具有挑战性，因为大多数模型在随机猜测。我们还发现 DeepAugment 技术可大幅提升针对邻接光栅错觉的鲁棒性。早期层的可视化表明，性能更好的模型表现出更强的末端停止特性，这与神经科学发现一致。为验证该扰动方法，24 名人类受试者参与了对扰动数据集样本的分类。
引用
@article{arxiv.2208.03958,
title = {Abutting Grating Illusion: Cognitive Challenge to Neural Network Models},
author = {Jinyu Fan and Yi Zeng},
journal= {arXiv preprint arXiv:2208.03958},
year = {2022}
}