结合深度网络与认知模型大规模捕捉人类对自然图像的分类
计算机视觉与模式识别
2021-01-27 v1 人工智能
机器学习
神经元与认知
机器学习
摘要
人类分类是心理学中认知建模最重要且最成功的目标之一，然而数十年来竞争模型的发展与评估一直依赖于小型简单人工实验刺激集。在此我们将该建模范式扩展到自然图像领域，揭示了刺激表征在分类中的关键作用及其对人们如何形成类别之结论的启示。将心理学分类模型应用于自然图像需要两项重大进展。首先，我们开展了首项大规模人类分类实验研究，涉及对来自十个不重叠物体类别的10,000张自然图像的超过500,000个人类分类判断。其次，我们通过探索当前有监督与无监督的深度及浅层机器学习方法之最佳者，解决了认知模型中高维图像表征的传统瓶颈。我们发现，选择充分具表达力、数据驱动的表征对捕捉人类分类至关重要，且使用这些表征使得以抽象原型表征类别的简单模型，优于在以不太自然刺激的研究中占主导的、更复杂的基于记忆的样例账户。
引用
@article{arxiv.1904.12690,
title = {Capturing human categorization of natural images at scale by combining deep networks and cognitive models},
author = {Ruairidh M. Battleday and Joshua C. Peterson and Thomas L. Griffiths},
journal= {arXiv preprint arXiv:1904.12690},
year = {2021}
}
备注
29 pages; 4 figures. arXiv admin note: text overlap with arXiv:1711.04855