高对比度“艳丽”图像改善视觉皮层深度神经网络模型的训练
计算机视觉与模式识别
2020-06-23 v1 机器学习
机器学习
摘要
理解视觉系统感官转换的一个关键挑战是获得对视觉皮层神经元响应具有高度预测性的模型。深度神经网络(DNNs)为此类模型提供了有前景的候选。然而，DNNs所需的训练数据数量级远超神经科学家能从真实神经元收集的量，因为实验记录时间极为有限。这促使我们寻找能以尽可能少训练数据训练出高预测性DNNs的图像。我们提出艳丽图像——自然图像的高对比度二值化版本——以高效训练DNNs。在大量仿真实验中，我们发现用艳丽图像训练DNNs大幅减少了准确预测视觉皮层神经元仿真响应所需的训练图像数量。我们还发现，训练前选定的艳丽图像优于通过主动学习算法在训练中选定的图像。因此，艳丽图像过度强调自然图像中最利于高效训练DNNs的特征，尤其是边缘。我们相信艳丽图像将有助于视觉皮层神经元建模，潜在开启关于视觉处理的新科学问题，并助益寻求改进DNNs训练方法的普通从业者。
引用
@article{arxiv.2006.11412,
title = {High-contrast "gaudy" images improve the training of deep neural network models of visual cortex},
author = {Benjamin R. Cowley and Jonathan W. Pillow},
journal= {arXiv preprint arXiv:2006.11412},
year = {2020}
}