SATBench：在人类与动态神经网络中基准化物体识别的速度-精度权衡
计算机视觉与模式识别
2022-06-20 v1 机器学习
摘要
阅读与驾驶等日常任务的核心在于主动物体识别。当前对此类任务的建模尝试因无法纳入时间因素而受阻。人们展现出灵活的速度与精度权衡，且该权衡是一项关键的人类技能。深度神经网络已成为预测人类峰值物体识别表现与神经活动的有前景的候选者。然而，对时间维度即速度-精度权衡（SAT）进行建模，对于它们作为人类如何识别物体的有用计算模型至关重要。为此，我们在此呈现首个关于识别 ImageNet 图像时速度-精度权衡（SAT）的大规模（148名观察者、4个神经网络、8项任务）数据集。在每次人类试验中，一声提示所需反应时的蜂鸣声在图像呈现后固定延迟响起，且仅当观察者的响应发生在蜂鸣声时刻附近时才计数。在一系列区块中，我们测试了多种蜂鸣声延迟即反应时。我们观察到人类精度随反应时增加而提升，并进而将其特征与若干能够进行推理时自适应计算的动态神经网络的行为进行比较。以 FLOPs 作为反应时的类比，我们在曲线拟合误差、类别相关性与曲线陡度上将网络与人类比较，并得出结论：级联动态神经网络是物体识别任务中人类反应时的一个有前景的模型。
引用
@article{arxiv.2206.08427,
title = {SATBench: Benchmarking the speed-accuracy tradeoff in object recognition by humans and dynamic neural networks},
author = {Ajay Subramanian and Sara Price and Omkar Kumbhar and Elena Sizikova and Najib J. Majaj and Denis G. Pelli},
journal= {arXiv preprint arXiv:2206.08427},
year = {2022}
}
备注
19 pages, 12 figures. Under Review at NeurIPS Datasets and Benchmarks Track 2022