寻找闭合：对卷积神经网络中构图法则——闭合律的深入探讨
计算机视觉与模式识别
2025-07-10 v1 机器学习
摘要
人类大脑具有一种内在能力，能够在部分缺失或碎片化时，将图形感知为完整的整体。这一现象在心理学中称为闭合（Closure），是构图法则中一种感知组织原则，解释了人类大脑如何解释视觉刺激。鉴于闭合对人类物体识别至关重要，我们探讨神经网络是否依赖类似机制。深入研究这种关键的人类视觉技能在神经网络中的表现，具有潜在的意义在于突显其与人类的可比性。最近的研究考察了神经网络中的闭合效应，但通常只关注有限选择的卷积神经网络（CNN），且尚未就其执行闭合功能达成共识。为解决这些差距，我们提出了一个系统化的框架，用于探讨神经网络中闭合原则。我们引入了旨在测试闭合效应的精心策划的数据集，包括模态完成和无形态完成。随后我们对 various CNNs 进行实验，采用不同的测量方法。我们的全面分析表明，VGG16 和 DenseNet-121 表现出闭合效应，而其他 CNN 的结果呈现出变异性。我们通过融合心理学和神经网络研究的见解来解释这些发现，提供了一种独特的视角，增强了理解神经网络的透明度。我们的代码和数据集将在 GitHub 上公开。
引用
@article{arxiv.2408.12460,
title = {Finding Closure: A Closer Look at the Gestalt Law of Closure in Convolutional Neural Networks},
author = {Yuyan Zhang and Derya Soydaner and Lisa Koßmann and Fatemeh Behrad and Johan Wagemans},
journal= {arXiv preprint arXiv:2408.12460},
year = {2025}
}