使用心理物理合成图像进行显著性预测的噪声扰动
摘要：卷积神经网络（CNN）在自然图像显著性预测方面取得了巨大的成功。本研究的主要目标是调查CNN和经典模型在噪声扰动下对心理物理合成图像的显著性预测性能。从性能上看，它是否仍然像对自然图像那样出色？与此同时，它可以用来研究CNN与人视觉之间的关系，主要是低级视觉功能。另一方面，CNN是人类视觉功能的完全复制品吗？本研究使用了受低级视觉系统启发的CNN，傅立叶和谱模型来对心理物理合成图像进行显著性预测，而不是自然图像。根据我们的研究发现，受傅立叶和谱理论启发的显著性预测模型在带有噪声扰动的心理物理图像上表现优于当前预训练的深度神经网络。然而，心理物理模型在噪声环境中比预训练的深度神经网络更不稳定。同时，我们建议使用心理物理方法研究CNN可以为视觉神经科学和人工神经网络研究带来益处。
作者：Qiang Li
论文ID：2204.06071
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2023-02-07