深度神经网络与大脑在视觉纹理上的对应性
神经元与认知
2018-06-11 v1 计算机视觉与模式识别
摘要
在物体和场景上训练的深度卷积神经网络（CNN）已显示出预测视觉皮层神经元某些响应特性的惊人能力。然而，导致这种能力的因素与计算，以及中间处理阶段在解释皮层层级各区域中发展起来的变化方面的作用，尚知之甚少。我们以对纹理的敏感性为范例进行研究，因为近期的神经生理学实验提供了丰富的数据，表明次级而非初级视觉皮层具有纹理敏感性。我们开发了一种定量方法，用于从 CNN 中选取最能描述大脑神经记录的一小部分神经单元群体。我们发现，CNN 的前两层在若干度量上与皮层数据表现出定性和定量的对应性。对于仅含架构而非学习到的权重、某些其他相关的层级模型，以及在缺少类似于局部分裂归一化的非线性计算时，这种兼容性有所降低（仅在最后一种情况下降低较轻微）。我们的结果表明，CNN 类模型能有效捕捉皮层早期区域中发展起来的变化，并有可能促进对引发大脑层级处理的计算的理解。
引用
@article{arxiv.1806.02888,
title = {Correspondence of Deep Neural Networks and the Brain for Visual Textures},
author = {Md Nasir Uddin Laskar and Luis G Sanchez Giraldo and Odelia Schwartz},
journal= {arXiv preprint arXiv:1806.02888},
year = {2018}
}