预测编码反馈在循环神经网络中导致错觉轮廓的感知

现代前馈卷积神经网络（CNN）现已能在某些计算机视觉任务上以超人类水平求解。然而，这些网络仅粗略模仿人类视觉感知。与人类视觉的一个区别在于它们似乎不以人类相同的方式感知错觉轮廓（如 Kanizsa 方块）。来自视觉皮层的生理学证据表明，错觉轮廓的感知可能涉及反馈连接。循环反馈神经网络会像人类一样感知错觉轮廓吗？本工作中，我们为深度前馈卷积网络配备受大脑启发的循环动力学。该网络首先在自然图像数据集上以无监督重建目标进行预训练，使其接触自然物体轮廓统计。然后，添加分类决策层并在形状判别任务上微调模型：方块 vs. 随机朝向的诱导形状（无错觉轮廓）。最后，用不熟悉的“错觉轮廓”配置测试模型：诱导形状朝向排列形成错觉方块。与前馈基线相比，迭代的“预测编码”反馈导致更多错觉轮廓被分类为物理方块。错觉轮廓的感知在模型生成的图像重建的亮度剖面中可度量，表明模型真正“看见”了错觉。消融研究揭示自然图像预训练和反馈误差校正对错觉感知均至关重要。最后我们在更深的网络（VGG）中验证了结论：添加相同的预测编码反馈动力学再次导致错觉轮廓的感知。