在撒切尔效应（Thatcher Effect）（左）中，Margaret Thatcher的两个倒置版本的图像在外观上看似相似，但是如果您将此页面上下颠倒，则会大不相同。通过比较深度网络中此类直立和倒置图像脸部之间的距离，作者能够追踪撒切尔效应（Thatcher Effect）是在物体训练的深度网络还是脸部训练的深度网络中产生的。 （图片来源：改编自Jacob等人，2021年）
印度科学研究所（IISc）神经科学中心（CNS）的一项新研究探讨了在视觉感知方面，深层神经网络相比人脑的优势。
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，可以受训以执行特定的任务。这些网络在帮助科学家了解我们的大脑是如何感知所见事物方面发挥了关键作用。尽管在过去的十年中，深度网络已经有了巨大的发展，但在视觉感知方面，它们仍远不及人类的大脑。
（图片来源：Pixabay）
在最近的一项研究中，CNS的副教授SP Arun和他的团队将这些深度网络与人脑的各种特性进行了定性的比较。深度网络虽然是理解人脑如何将对象可视化的良好模型，但其工作原理与后者不同。尽管复杂的计算对于他们来说是微不足道的，但对于人类而言相对容易实现的某些任务可能对于这些网络却很难完成。在本次发表于《自然通讯》（Nature Communications）上的研究中，Arun和他的团队试图理解哪些视觉任务能被深度神经网络本身构架的特性解决，哪些需要进一步的训练。
该小组研究了13种不同的知觉效应，并揭示了深度网络与人脑之间先前未知的能力差异。撒切尔效应（Thatcher effect）就是其中的一个例子，人类更容易发现正立图像中局部特征的变化，但当图像被上下颠倒后，这就变得困难了。与经过训练可识别物体的网络相比，经过训练可识别正立面孔的深层网络表现出撒切尔效应（Thatcher effect）。在这些网络上测试的另一种人脑视觉特性为镜像混淆。人类的另一种视觉特性称为镜像混淆，对人类而言，沿垂直轴的镜面反射看起来比沿水平轴的镜面反射更相似。研究人员发现，与水平反射图像相比，深度网络在垂直方向上表现出更强的镜像混淆。
（图片来源：Pixabay）
人脑特有的另一种现象是，它首先关注较粗糙的细节。这就是所谓的整体优势效应。例如，在树的图像中，我们的大脑会首先注意到树的整体，然后注意到其中叶子的细节。相似地，该论文的第一作者和CNS的博士生Georgin Jacob解释说，当给人类呈现一张脸部图像时，人类首先会注意到整个脸部，然后再专注于更细微的细节，例如眼睛，鼻子，嘴巴等。他说：“令人惊讶的是，神经网络显示出细节优势。”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对象识别任务，二者所遵循的步骤也大不相同。
这项研究的资深作者Arun说：“多数研究都显示出深层网络与大脑之间的相似性，但没有人真正研究过他们之间系统的差异。”找出这些差异可以使神经网络更像人类的大脑。”
这样的分析可以帮助研究人员建立更强大的神经网络，不仅具备更好的性能，而且抵御针对攻击的能力更强。
作者：Sangeetha Devi Kumar
翻译：彭琛
审校：董子晨曦
引进来源：印度科学研究所
京公网安备11010502039775号
