场景识别中的中心与周边视觉：神经计算建模探究

中心与周边视觉在人类场景识别中的作用是什么？Larson and Loschky (2009) 表明，在获得最大场景识别准确率方面，周边视觉比中心视觉贡献更多。然而，基于准确识别所需的视觉区域大小，中心视觉在场景识别上比周边视觉更高效。在本研究中，我们采用神经计算建模方法对 Larson and Loschky (2009) 的结果进行建模与解释。我们展示，使用最先进的深度神经网络模型可以复现周边视觉在场景识别中的优势以及中心视觉的效率优势。此外，我们提出并为以下假设提供支持：周边优势源于周边特征的内在有用性。该结果与 Thibaut, Tran, Szaffarczyk, and Boucart (2014) 呈现的数据一致，他们表明中心视觉丧失的患者仍能高效地对自然场景进行分类。进而，通过使用一个深度混合专家模型（“深度模型”，即 TDM），该模型同时在分离的通路上接收中心与周边视觉信息，我们展示周边优势在学习过程中自然涌现：当训练用于对场景分类时，模型对周边通路的加权重于中心通路。正如我们在先前的建模工作中所见，学习产生一种变换，将不同场景类别散布到表征空间中的不同区域。最后，我们将两条通路的特征可视化，并发现训练过程中两条通路对场景类别表现出不同的偏好。