心理物理分数：一种评估视觉识别模型生物合理性的行为度量
计算机视觉与模式识别
2023-02-09 v2
摘要
在过去十年中，卷积神经网络（CNNs）在几乎所有人工智能视觉任务（包括物体识别）中都大幅超越其前辈。然而，尽管进展丰富，它们仍远不及生物视觉。这一鸿沟促使了受生物启发模型的发展，这些模型试图在神经层面模仿人类视觉系统，并使用标准数据集基准进行评估。然而，仍需更多工作来理解这些模型如何感知视觉世界。本文提出一种最先进的流程，生成一种新度量——心理物理分数（Psychophysical-Score），其基于视觉心理物理学，能够可靠地估计众多模型的感知响应——这些模型在复杂性与生物启发性上跨度很大。我们对十二个在生物启发程度与复杂性上各异的模型执行该流程，并将结果与 2390 名 Amazon Mechanical Turk 工人的汇总结果进行比较，这些工人共同提供了约 270 万次感知响应。每个模型的心理物理分数与最先进的基于神经活动的度量 Brain-Score 进行比较。我们的研究表明，与人类感知行为高度相关的模型也与相应神经活动高度相关。
引用
@article{arxiv.2210.08632,
title = {Psychophysical-Score: A Behavioral Measure for Assessing the Biological Plausibility of Visual Recognition Models},
author = {Brandon RichardWebster and Justin Dulay and Anthony DiFalco and Elisabetta Caldesi and Walter J. Scheirer},
journal= {arXiv preprint arXiv:2210.08632},
year = {2023}
}