A Turing Test for artificial nets devoted to vision

doi:10.3389/frai.2025.1665874

A Turing Test for artificial nets devoted to vision

2026-01-05

0

OA

AI

J

Jorge Vila-Tomás

P

Pablo Hernández-Cámara

DOI：10.3389/frai.2025.1665874

原文链接

原文求助

摘要

En 中文

在本研究1中，我们提出，尽管近期有关于使用深度网络成功模拟视觉大脑的声明，但该问题远未得到解决，尤其是在低级视觉方面。未解决的问题包括：我们应在人工神经网络（ANNs）的何处读取以检查行为？读取内容应是什么？这种特设的读取是否被视为大脑模型的一部分？为了理解视觉-ANNs，我们应使用人工心理物理学还是人工生理学？无论如何，人工测试是否应与针对人类的实验完全匹配？这些问题表明，对于视觉大脑的深度模型以及更广泛的通用视觉任务专用ANNs，存在明确的生物学合理性测试需求。延续我们在图像处理中运用视觉科学低级事实的做法，我们提出一个包含基本时空色度特性的低级数据集，这些特性描述了视网膜-V1通路中的适应性瓶颈，而目前流行的数据库（如BrainScore）中尚未提供这些数据。我们建议将其用于模型定性与定量评估。为说明所提方法，我们检验了三种具有相似深度架构的近期模型的行为：（1）通过最大差异心理物理学方法调优的参数模型[Malo & Simoncelli SPIE 15; Martinez et al. PLOS 18; Martinez et al. Front. Neurosci. 19]; （2）针对主观图像失真与人类相关性最大化调优的非参数模型（PerceptNet）[Hepburn et al. IEEE ICIP 20]; （3）具有与PerceptNet相同编码器但针对图像分割调优的模型[Hernandez-Camara et al. Patt.Recogn.Lett. 23; Hernandez-Camara et al. Neurocomp. 25]。在提出的10项引人注目的心理/生理视觉特性上的结果表明，第一种（参数）模型的行为与人类最为接近。

A Turing Test for artificial nets devoted to vision

摘要

期刊

机构

引用论文