在撒切尔效应(左)中，两个颠倒版本的玛格丽特·撒切尔看起来似乎很相似，但如果将这一页颠倒过来，看起来会有很大的不同。通过比较深度网络中这种直立面和倒置面之间的距离，作者能够追踪撒切尔效应是出现在训练对象的深度网络中，还是出现在训练人脸的深度网络中。Credit: Ad apted from Jacob et al .，2021印度科学研究所(IISc)神经科学中心(CNS)的一项新研究探索了在视觉感知方面，深度神经网络与人脑相比有多好。深度神经网络是受人脑中脑细胞或神经元网络启发的机器学习系统，它们可以被训练来执行特定的任务。这些网络在帮助科学家理解我们的大脑如何感知我们看到的东西方面发挥了关键作用。尽管深度网络在过去十年中有了显著的发展，但在感知视觉线索方面，它们的表现仍远不如人脑。
在最近的一项研究中，中枢神经系统副教授SP Arun和他的团队将这些深层网络的各种定性特性与人脑进行了比较。深度网络虽然是理解人脑如何可视化物体的一个很好的模型，但它的工作方式与后者不同。虽然复杂的计算对他们来说微不足道，但对人类来说相对容易的某些任务对这些网络来说可能很难完成。在目前发表在《自然通讯》上的研究中，阿伦和他的团队试图了解这些网络凭借其架构可以自然地执行哪些视觉任务，以及哪些任务需要进一步的训练。
该团队研究了13种不同的感知效应，发现了深度网络和人脑之间以前未知的质量差异。一个例子是撒切尔效应，这是一种人类发现更容易识别直立图像中局部特征变化的现象，但当图像颠倒时，这变得困难。当与训练识别物体的网络相比时，训练识别直立面孔的深层网络表现出撒切尔效应。在这些网络上测试了人脑的另一种视觉特性，称为镜像混淆。对人类来说，沿垂直轴的镜面反射比沿水平轴的镜面反射更相似。研究人员发现，与水平反射的图像相比，深层网络在垂直方向上也有更强的镜像混淆。
人脑特有的另一个现象是，它首先关注更粗糙的细节。这就是所谓的全球优势效应。例如，在一棵树的图像中，我们的大脑会首先看到树的整体，然后才注意到其中树叶的细节。第一作者、CNS博士生乔治·雅各布(Georgin Jacob)解释说，同样，当人类看到一张脸的图像时，他们首先会把脸作为一个整体来看，然后专注于眼睛、鼻子、嘴巴等更精细的细节。“令人惊讶的是，神经网络显示出局部优势，”他说。这意味着，与大脑不同，网络首先关注图像的细节。因此，即使这些神经网络和人脑执行相同的物体识别任务，两者遵循的步骤也是非常不同的。
该研究的资深作者阿伦说:“许多研究已经显示了深层网络和大脑之间的相似性，但没有人真正研究过系统性差异。识别这些差异可以推动我们更接近让这些网络更像大脑。
这种分析可以帮助研究人员建立更强大的神经网络，不仅性能更好，而且对旨在破坏它们的“对抗性攻击”免疫。
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
