近日，來自德國 Tubingen大學和Potsdam大學的研究人員們共同發布了一項研究成果——深度神經網絡和人類視覺在信號變弱時進行物體識別的差異對比。這些專家分別來自神經信息處理、綜合神經學、心理學與生物控制等不同領域。此項研究旨在對DNN和人類神經系統的結構和處理過程的差別作出相應解釋，并且找到在信號變弱時兩種視覺系統的分類錯誤模式的不同。

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：人類視覺在進行物體識別時通常是很迅速的，而且似乎毫不費力，并且很大程度上與視角和面向對象無關。直到最近，動態視覺系統才有能力完成這一非凡的計算技能。這正是隨著一類叫做深度神經網絡(DNN)算法的出現而改變的，它在物體識別任務中已經可以達到人類級別的分類表現。而且，更多與 DNN 方法相類似的研究報告，還有人體視覺系統處理物體的進程，都表明現在的 DNN 可能就是人類視覺進行物體識別的良好模型。然而，***型的 DNN 和靈長類動物的視覺系統確實在結構和處理過程上還存在著明顯的不同。這些不同的潛在的行為結果還不能得到充分的解釋。我們的目標正是通過比較人類和 DNN 對圖像降解(image degradations)的整合能力來解決這一問題。我們發現人類視覺系統對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逐漸變弱時，人類和 DNN 進行分類時的錯誤方式的不同，這表明人類和現在的 DNN 在進行視覺物體識別(visual object recognition)時仍舊存在著很大差異。我們希望我們的發現，還有我們經過仔細測試而且可以自由使用的行為型數據集，可以給計算機視覺界提供一種新的且實用的基準，從而來增強 DNN 的魯棒性，并且促使神經科學家去搜尋可以促進這種魯棒性的大腦機制。

圖 1

圖 1.：實驗原理圖。在呈現出一個中央固定方塊之后(300 ms)，圖像在 200ms 的情況下可視，緊接著是一個 1/f 頻譜(200ms)的噪聲屏蔽(noise-mask)。然后，在 1500ms 時出現一個響應屏，在這里觀察者可以點擊一個類別。注意我們在這張圖中增強了噪聲屏蔽的對比，這是為了在出版時擁有更好的可視性。從上到下的類別分別是：刀具，自行車，熊，卡車，飛機，表，船，小汽車，鍵盤，烤箱，貓，鳥，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： 顏色試驗結果(n=3)。(a)精度。DNN 對應藍色，人類對應紅色;菱形對應 AlexNet，方形對應 GoogLeNet，三角是 VGG-16，圓圈是人類觀察者。(b)響應分布熵(Response distribution entropy)。

圖 3

圖 3： 預估刺激信號(Estimated stimuli)對應 50% 分類精度。(a)噪聲實驗。(b)Eidolon 實驗。連貫性參數=1.0。首行：刺激信號(stimuli)對應平均人類觀察者的閾值(threshold)。底下三行：刺激信號對應 VGG-16(第二行), GoogLeNet(第三行)和 AlexNet(***一行)的相同精度。

【本文是51CTO專欄機構“機器之心”的原創譯文，微信公眾號“機器之心( id: almosthuman2014)”】

戳這里，看該作者更多好文