深度卷积神经网络中目标导向注意的代价与收益

人们会部署自上而下的目标导向注意来完成任务，例如寻找丢失的钥匙。通过将视觉系统调谐到相关信息源，物体识别可以变得更高效（一种收益）并更偏向目标（一种潜在代价）。受分类模型中选择性注意的启发，我们开发了一种能够处理自然主义（摄影）刺激的目标导向注意机制。我们的注意机制可嵌入任何现有的深度卷积神经网络（DCNNs）中。DCNNs 中的处理阶段已被关联到腹侧视觉通路。据此，我们的注意机制引入了来自前额叶皮层（PFC）的自上而下影响以支持目标导向行为。类似于分类模型中的注意权重扭曲表征空间，我们在 DCNN 的中层引入一层注意权重，以放大或衰减活动来推进目标。我们使用摄影刺激评估了该注意机制，并改变注意目标。我们发现增强目标导向注意具有收益（提高命中率）和代价（提高误报率）。在中等水平下，对于涉及标准图像、混合图像以及为欺骗 DCNNs 而选择的天然对抗图像的任务，注意在仅适度增加偏差的情况下改善了敏感性（即提高了 $d^\prime$）。这些结果表明，目标导向注意可以重新配置通用 DCNNs 以更好地适应当前任务目标，就像 PFC 调节腹侧通路上的活动一样。除了更简洁且与大脑一致外，中层注意方法在迁移学习上的表现优于标准的机器学习方法，即重新训练最终网络层以适应新任务。