近日，來(lái)自德國(guó) Tubingen大學(xué)和Potsdam大學(xué)的研究人員們共同發(fā)布了一項(xiàng)研究成果——深度神經(jīng)網(wǎng)絡(luò)和人類視覺(jué)在信號(hào)變?nèi)鯐r(shí)進(jìn)行物體識(shí)別的差異對(duì)比。這些專家分別來(lái)自神經(jīng)信息處理、綜合神經(jīng)學(xué)、心理學(xué)與生物控制等不同領(lǐng)域。此項(xiàng)研究旨在對(duì)DNN和人類神經(jīng)系統(tǒng)的結(jié)構(gòu)和處理過(guò)程的差別作出相應(yīng)解釋，并且找到在信號(hào)變?nèi)鯐r(shí)兩種視覺(jué)系統(tǒng)的分類錯(cuò)誤模式的不同。

論文：Comparing deep neural networks against humans: object recognition when the signal gets weaker

論文鏈接：https://arxiv.org/pdf/1706.06969.pdf

摘要：人類視覺(jué)在進(jìn)行物體識(shí)別時(shí)通常是很迅速的，而且似乎毫不費(fèi)力，并且很大程度上與視角和面向?qū)ο鬅o(wú)關(guān)。直到最近，動(dòng)態(tài)視覺(jué)系統(tǒng)才有能力完成這一非凡的計(jì)算技能。這正是隨著一類叫做深度神經(jīng)網(wǎng)絡(luò)(DNN)算法的出現(xiàn)而改變的，它在物體識(shí)別任務(wù)中已經(jīng)可以達(dá)到人類級(jí)別的分類表現(xiàn)。而且，更多與 DNN 方法相類似的研究報(bào)告，還有人體視覺(jué)系統(tǒng)處理物體的進(jìn)程，都表明現(xiàn)在的 DNN 可能就是人類視覺(jué)進(jìn)行物體識(shí)別的良好模型。然而，***型的 DNN 和靈長(zhǎng)類動(dòng)物的視覺(jué)系統(tǒng)確實(shí)在結(jié)構(gòu)和處理過(guò)程上還存在著明顯的不同。這些不同的潛在的行為結(jié)果還不能得到充分的解釋。我們的目標(biāo)正是通過(guò)比較人類和 DNN 對(duì)圖像降解(image degradations)的整合能力來(lái)解決這一問(wèn)題。我們發(fā)現(xiàn)人類視覺(jué)系統(tǒng)對(duì)圖像處理操作具有更好的魯棒性，比如在反差衰(contrast reduction)、加性噪聲(additive noise)或者新型的幻象失真(eidolon-distortions)這些方面。而且我們逐步地找到了在信號(hào)逐漸變?nèi)鯐r(shí)，人類和 DNN 進(jìn)行分類時(shí)的錯(cuò)誤方式的不同，這表明人類和現(xiàn)在的 DNN 在進(jìn)行視覺(jué)物體識(shí)別(visual object recognition)時(shí)仍舊存在著很大差異。我們希望我們的發(fā)現(xiàn)，還有我們經(jīng)過(guò)仔細(xì)測(cè)試而且可以自由使用的行為型數(shù)據(jù)集，可以給計(jì)算機(jī)視覺(jué)界提供一種新的且實(shí)用的基準(zhǔn)，從而來(lái)增強(qiáng) DNN 的魯棒性，并且促使神經(jīng)科學(xué)家去搜尋可以促進(jìn)這種魯棒性的大腦機(jī)制。

圖 1

圖 1.：實(shí)驗(yàn)原理圖。在呈現(xiàn)出一個(gè)中央固定方塊之后(300 ms)，圖像在 200ms 的情況下可視，緊接著是一個(gè) 1/f 頻譜(200ms)的噪聲屏蔽(noise-mask)。然后，在 1500ms 時(shí)出現(xiàn)一個(gè)響應(yīng)屏，在這里觀察者可以點(diǎn)擊一個(gè)類別。注意我們?cè)谶@張圖中增強(qiáng)了噪聲屏蔽的對(duì)比，這是為了在出版時(shí)擁有更好的可視性。從上到下的類別分別是：刀具，自行車，熊，卡車，飛機(jī)，表，船，小汽車，鍵盤(pán)，烤箱，貓，鳥(niǎo)，大象，椅子，瓶子，狗。這些圖示是 MS COCO(http://mscoco.org/ explore/)版本的修改版。

圖 2

圖 2： 顏色試驗(yàn)結(jié)果(n=3)。(a)精度。DNN 對(duì)應(yīng)藍(lán)色，人類對(duì)應(yīng)紅色;菱形對(duì)應(yīng) AlexNet，方形對(duì)應(yīng) GoogLeNet，三角是 VGG-16，圓圈是人類觀察者。(b)響應(yīng)分布熵(Response distribution entropy)。

圖 3

圖 3： 預(yù)估刺激信號(hào)(Estimated stimuli)對(duì)應(yīng) 50% 分類精度。(a)噪聲實(shí)驗(yàn)。(b)Eidolon 實(shí)驗(yàn)。連貫性參數(shù)=1.0。首行：刺激信號(hào)(stimuli)對(duì)應(yīng)平均人類觀察者的閾值(threshold)。底下三行：刺激信號(hào)對(duì)應(yīng) VGG-16(第二行), GoogLeNet(第三行)和 AlexNet(***一行)的相同精度。

【本文是51CTO專欄機(jī)構(gòu)“機(jī)器之心”的原創(chuàng)譯文，微信公眾號(hào)“機(jī)器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文