Modeling biological face recognition with deep convolutional neural networks

要約

深い畳み込みニューラル ネットワーク (DCNN) は、生物学的物体認識の最先端の計算モデルになりました。
彼らの目覚ましい成功は、視覚科学が新境地を開拓するのに役立ち、その結果、最近の取り組みは、この成果を生物学的顔認識の研究に移し始めています.
この点で、顔選択的生体ニューロンおよび脳領域を人工ニューロンおよびモデル層と比較することにより、顔検出を調査できます。
同様に、顔の識別は、in vivo と in silico の多次元顔空間を比較することで調べることができます。
このレビューでは、DCNN を使用して生物学的顔認識をモデル化した最初の研究を要約します。
この一連の新しい発見に基づいて、DCNN は、腹側視覚経路とコア顔ネットワークにおける生物学的顔認識の一般的な階層構造に従う有用なモデルであると結論付けています。
2 つの模範的なスポットライトで、これらのモデルのユニークな科学的貢献を強調します。
まず、DCNN での顔検出に関する研究は、基本的な顔選択性がフィードフォワード処理によって自動的に現れることを提案しています。
第二に、DCNN における顔識別に関する研究は、経験と追加の生成メカニズムがこの特定の課題を促進することを示唆しています。
まとめると、この新しい計算アプローチは、素因 (つまり、アーキテクチャ) および/または経験 (つまり、トレーニング データ) の厳密な制御を可能にするため、生物学的顔認識の基盤に関する長年の議論に情報を提供するのに適している可能性があります。

要約(オリジナル)

Deep convolutional neural networks (DCNNs) have become the state-of-the-art computational models of biological object recognition. Their remarkable success has helped vision science break new ground and consequently, recent efforts have started to transfer this achievement to research on biological face recognition. In this regard, face detection can be investigated by comparing face-selective biological neurons and brain areas to artificial neurons and model layers. Similarly, face identification can be examined by comparing in vivo and in silico multidimensional face spaces. In the present review, we summarize the first studies that used DCNNs to model biological face recognition. Based on this body of novel findings, we conclude that DCNNs are useful models that follow the general hierarchical organization of biological face recognition in the ventral visual pathway and the core face network. In two exemplary spotlights, we emphasize the unique scientific contributions of these models. Firstly, studies on face detection in DCNNs propose that elementary face-selectivity emerges automatically through feedforward processing. Secondly, studies on face identification in DCNNs suggest that experience and additional generative mechanisms facilitate this particular challenge. Taken together, as this novel computational approach enables close control of predisposition (i.e., architecture) and/or experience (i.e., training data), it may be suited to inform longstanding debates on the substrates of biological face recognition.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google