NeurIPS 2019 | 学习如何模仿小鼠视觉系统的CNN

最新推荐文章于 2024-03-18 19:09:02 发布

学术头条

最新推荐文章于 2024-03-18 19:09:02 发布

阅读量1.7k

点赞数 4

文章标签： NIPS 2019 CNN

本文链接：https://blog.csdn.net/AMiner2006/article/details/103235024

版权

NeurIPS 2019的论文展示了如何通过模仿小鼠视觉系统来增强CNN的鲁棒性。通过引入生物视觉系统的正则化，研究人员训练的CNN在对抗性攻击和噪声干扰下表现出更强的稳定性，其表征与生物视觉系统更加相似，提高了模型的泛化能力。

摘要由CSDN通过智能技术生成

（作者 | 杨晓凡转自AI科技评论）

当前的基于 CNN 的图像识别模型确实能在许多任务中得到很高的识别准确率、也得到了许多实际应用，但 CNN 模型的泛化性和鲁棒性仍然远逊于人类视觉 —— 面对经过细微修改的、或者带有噪声的图像，人类的视觉识别几乎不受影响，而 CNN 的识别准确率则可能大幅波动；场景和视角也能显著影响 CNN 的表现，更别提从很少的样本学习物体识别了。

如果说「视觉智慧」的至高水准是具有不变性的神经表征，以及图像经过复杂变换以后仍然能够识别处理的泛化能力的话，人类的/生物的视觉系统显然具有视觉智慧，而现代的 CNN 并不具备；研究生物视觉系统中视觉智慧的来源、并尝试在人工设计的视觉系统中重现它，近些年来都是神经科学领域以及机器学习领域的热门研究课题。

最近，NeurIPS 2019 论文《Learning From Brains How to Regularize Machines》（从大脑学习如何做机器的正则化）就在这个问题上做出了有趣的尝试。此前我们介绍过日本研究人员的成果，他们从人脑的 fMRI 成像解码重现出眼睛看到的画面。但根据大脑的神经活动直接影响人工神经网络学习表征的过程，从而影响模型在分类任务中的表现，这个方法就相当新颖有趣。

论文原文：https://arxiv.org/abs/1911.05072