改进面向对象识别的 VisNet
计算机视觉与模式识别
2026-01-09 v3
摘要
对象识别在生物学器官如何感知和与环境互动方面发挥着基本作用。尽管人类视觉系统以惊人的效率完成这一任务，但在人工系统中重现类似能力仍然具有挑战性。本研究检验了 VisNet——一种受生物学启发的神经网络模型，以及几种增强型变体，这些变体集成了径向基函数神经元、马哈拉诺斯距离学习以及用于一般对象识别和对称性分类的类视网膜预处理。通过利用赫伯学习原理和时间连续性，将相邻的 temporally 视图关联以构建不变表示。VisNet 及其扩展捕获了稳健且对转换不变的特征。跨多个数据集（包括 MNIST、CIFAR10 和自定义对称对象集合）的实验结果表明，这些增强型 VisNet 变体在识别准确率方面显著优于基线模型。这些发现凸显了受生物学启发的 VisNet 架构的适应性和生物学相关性，为神经科学和人工智能中的视觉识别提供了一个强大且可解释的框架。
引用
@article{arxiv.2511.08897,
title = {Improving VisNet for Object Recognition},
author = {Mehdi Fatan Serj and C. Alejandro Parraga and Xavier Otazu},
journal= {arXiv preprint arXiv:2511.08897},
year = {2026}
}