协调深度神经网络与人类的物体识别策略
计算机视觉与模式识别
2022-11-14 v2 人工智能
摘要
过去十年，深度神经网络（DNN）的诸多成功主要由计算规模驱动，而非来自生物智能的洞见。在此，我们探究这些趋势是否也伴随着在解释人类用于物体识别的视觉策略方面的改进。我们通过比较人类和DNN视觉策略的两个相关但不同的属性来实现这一点：它们认为图像中重要的视觉特征在哪里，以及它们如何利用这些特征对物体进行分类。在84个在ImageNet上训练的不同DNN以及三个独立数据集上（这些数据集测量了人类在这些图像上进行物体识别的视觉策略的“位置”和“方式”），我们发现DNN的分类准确率与人类物体识别视觉策略的对齐程度之间存在系统性的权衡。随着准确率的提高，最先进的DNN正逐渐变得与人类更不对齐。我们通过神经协调器来纠正这一日益严重的问题：这是一种通用的训练程序，既能对齐DNN和人类的视觉策略，又能提高分类准确率。我们的工作首次证明，当前指导DNN设计的缩放定律也产生了更差的人类视觉模型。我们在https://serre-lab.github.io/Harmonization发布代码和数据，以帮助该领域构建更像人类的DNN。
引用
@article{arxiv.2211.04533,
title = {Harmonizing the object recognition strategies of deep neural networks with humans},
author = {Thomas Fel and Ivan Felipe and Drew Linsley and Thomas Serre},
journal= {arXiv preprint arXiv:2211.04533},
year = {2022}
}
备注
Published at NeurIPS 2022