新生雏鸡与深度神经网络的受控饲养研究
计算机视觉与模式识别
2021-12-14 v1 人工智能
神经元与认知
摘要
卷积神经网络(CNNs)如今在具有挑战性的物体识别任务上可达到人类水平表现。CNNs也是在预测视觉识别任务中神经与行为响应方面领先的定量模型。然而，存在一个被广泛接受的对CNN模型的批评：与快速高效学习的新生动物不同，CNNs被认为是“数据饥渴”的，需要海量训练数据才能开发出准确的物体识别模型。这一批评挑战了将CNNs用作视觉发育模型的前景。在此，我们通过针对新生雏鸡和CNNs开展平行的受控饲养实验，直接检验CNNs是否比新生动物更数据饥渴。我们在严格控制的视觉环境中饲养新生雏鸡，随后通过在视频游戏引擎中构建虚拟动物舱来模拟该环境中可用的训练数据。我们记录了在虚拟舱中移动的智能体所获取的视觉图像，并用这些图像训练CNNs。当CNNs接收到与雏鸡相似的视觉训练数据时，CNNs成功解决了与雏鸡相同的具有挑战性的视角不变物体识别任务。因此，CNNs并不比动物更数据饥渴：CNNs与雏鸡都成功从单一物体的训练数据发展出了鲁棒的物体模型。
引用
@article{arxiv.2112.06106,
title = {Controlled-rearing studies of newborn chicks and deep neural networks},
author = {Donsuk Lee and Pranav Gujarathi and Justin N. Wood},
journal= {arXiv preprint arXiv:2112.06106},
year = {2021}
}
备注
NeurIPS 2021 Workshop on Shared Visual Representations in Human & Machine Intelligence