学习支持感知分组的紧凑可泛化神经表征
计算机视觉与模式识别
2020-06-23 v1
摘要
视觉科学与深度学习交叉领域的研究正开始探索深度卷积网络(DCNs)和循环网络在解决灵长类视觉识别与分割背后的感知分组问题上的有效性。在此,我们延续这一研究方向,考察DCN在解决涉及轮廓整合的低级感知分组例程时的紧凑性与可泛化性。我们提出V1Net,一种受生物启发的循环单元,其引入了皮层电路中普遍存在的侧向连接。DCN中的前馈卷积层可用V1Net模块替代,以增强其对感知分组的上下文视觉处理支持。我们在MarkedLong(我们在此引入的包含800,000张图像的合成强制选择轮廓整合数据集)以及先前发布的Pathfinder轮廓整合基准上,将V1Net-DCN与14种精心挑选的前馈与循环神经架构(包括最先进的DCN)的学习效率与准确率进行比较。我们通过测量在MarkedLong上训练并微调以学习PathFinder的候选模型的迁移学习表现来评估解的泛化性。我们的结果表明,一个紧凑的3层V1Net-DCN匹配或超越了所有被测对比模型在测试准确率和样本效率上的表现,而这些对比模型的可训练参数规模是其5至1000倍;我们还注意到V1Net-DCN学习到了针对MarkedLong的最紧凑可泛化解。对V1Net-DCN时间动态的可视化阐明了其对可解释分组计算的使用以求解MarkedLong。V1Net-DCN紧凑而丰富的表征也使其成为构建端侧机器视觉算法以及帮助更好理解生物皮层电路的有前途的候选方案。
引用
@article{arxiv.2006.11716,
title = {Learning compact generalizable neural representations supporting perceptual grouping},
author = {Vijay Veerabadran and Virginia R. de Sa},
journal= {arXiv preprint arXiv:2006.11716},
year = {2020}
}