利用人工神经网络探测海马依赖任务中场景感知的神经表征
计算机视觉与模式识别
2023-03-14 v1 人工智能
摘要
通过反向传播训练的深度人工神经网络（DNNs）提供了哺乳动物视觉系统的有效模型，准确捕捉了从初级视觉皮层到颞下皮层（IT）的神经响应层级。然而，这些网络解释高级皮层区域表征的能力相对缺乏且研究甚少。例如，DNNs作为由压后皮层和 posterior parietal cortex（后顶叶皮层）中环路所体现的自我中心到 allocentric（ allocentric：以环境为中心）转换的模型不太成功。我们描述了一个受海马依赖任务启发的新型场景感知基准，旨在探测DNNs转换从不同自我中心视角观察的场景的能力。使用受颞叶结构与海马之间连接启发的网络架构，我们证明了使用三元组损失（triplet loss）训练的DNNs可以学习该任务。此外，通过强制分解的潜在空间，我们可以将信息传播拆分为“what（什么）”和“where（哪里）”通路，并用以重建输入。这使我们能够在CATER和MOVi-A,B,C基准上击败无监督目标分割的state-of-the-art（SOTA，最优性能）。
引用
@article{arxiv.2303.06367,
title = {Probing neural representations of scene perception in a hippocampally dependent task using artificial neural networks},
author = {Markus Frey and Christian F. Doeller and Caswell Barry},
journal= {arXiv preprint arXiv:2303.06367},
year = {2023}
}