中心凹感知系统的涌现特性

这项工作的目标是，受中心凹人类视觉系统（在注视中心具有更高敏锐度，而在外周具有类似纹理的编码）的启发，刻画中心凹操作对机器视觉系统的表征影响。为此，我们引入了由第一阶段“固定”图像变换和第二阶段“可学习”卷积神经网络组成的模型，并改变了第一阶段组件。主要模型具有一个中心凹纹理输入阶段，我们将其与具有中心凹模糊输入的模型、具有空间均匀模糊输入的模型（两者在感知压缩上匹配）以及一个具有最小基于输入的压缩的最终参考模型进行比较。我们发现：1) 尽管输入被压缩，中心凹纹理模型显示出与参考模型相似的场景分类准确率，并且比其他模型具有更强的独立同分布泛化能力；2) 与比较模型相比，中心凹纹理模型对高空间频率信息具有更高的敏感性，并且对遮挡具有更强的鲁棒性；3) 即使在权重共享约束下，两个中心凹系统相对于空间均匀系统都显示出更强的中心图像偏差。至关重要的是，这些结果在不同的经典 CNN 架构及其整个学习动态过程中都得以保持。总而言之，这表明具有外周纹理计算的中心凹化产生了一种高效、独特且鲁棒的场景信息表征格式，并为基于纹理的外周编码可能对人类视觉系统处理产生的表征后果提供了共生的计算洞察，同时也可能通过空间自适应计算启发下一代计算机视觉模型。代码与数据可在此获取：https://github.com/ArturoDeza/EmergentProperties