自编码器中的对比敏感函数
摘要：基于低层视觉任务的对比敏感函数（Contrast Sensitivity Functions, CSFs）的解释在当前使用人工神经网络研究视觉以及对视网膜图像表征的知识的背景下需要重新评估。首先，我们展示了一种非常流行的卷积神经网络（CNN）——自动编码器在进行一些基本的低层视觉任务（如去除视网膜噪声和光学模糊）时可以生成类似于人类的空时和色度维度的CSFs，但是在其他任务（如色度适应或简单瓶颈后的纯重建）时却不能。作为一个说明性示例，我们在考虑的简单架构集合中，最好的CNN在重建CSFs方面的均方根误差为最大灵敏度的11％。其次，我们提供了实验证据表明，对于某些功能目标（在低抽象级别上），对于达到定量目标更好的深度CNN实际上在复制类似于人类现象（如CSFs）方面则较差。这种低层结果（对于所探索的网络）并不一定与其他研究报告的更深网络在建模高层视觉目标方面的优势相矛盾。然而，与越来越多的文献一致，我们的结果提醒我们在视觉科学中使用CNN时需要提高警惕，因为在目标优化中使用简化单元或不切实际的架构可能限制对人类视觉的建模和理解。
作者：Qiang Li and Alex Gomez-Villa and Marcelo Bertalmio and Jesus Malo
论文ID：2103.00481
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2022-05-24