MetaCOG：一种用于学习元认知视觉表征的分层概率模型

人类具有质疑所见之物并识别自身视觉不可靠之时（例如，当我们意识到自己正经历视觉错觉时）的能力。受此能力启发，我们提出 MetaCOG：一种可附加于神经目标检测器以监控其输出并确定其可靠性的分层概率模型。MetaCOG 通过贝叶斯推断学习该目标检测器性能的概率模型——即网络产生幻觉或漏检不同目标类别倾向的元认知表征——来实现这一点。给定一组由目标检测器处理的视频帧，MetaCOG 在底层三维场景与检测器性能上执行联合推断，将推断建立在物体恒存的基本假设之上。结合三种神经目标检测器，我们表明 MetaCOG 能准确恢复各检测器的性能参数并提升整体系统的准确率。我们还表明 MetaCOG 对目标检测器输出中不同水平的误差具有鲁棒性，为在缺乏真值时检测和纠正视觉系统错误这一问题的新方法提供了概念验证。