Are Deep Neural Networks Adequate Behavioural Models of Human Visual Perception?

要約

ディープ ニューラル ネットワーク (DNN) は、オブジェクトの分類やセグメンテーションなどのタスクで目覚ましい成功を収めたため、コンピューター ビジョンに革命をもたらした機械学習アルゴリズムです。
コンピューター ビジョン アルゴリズムとしての DNN の成功により、DNN は人間の視覚認識の優れたモデルになる可能性があるという示唆につながりました。
ここでは、ヒューマンコアオブジェクト認識の適切な行動モデルとしての現在の DNN に関する証拠をレビューします。
この目的のために、統計ツールと計算モデルを区別し、モデルの品質を多次元の概念として理解し、モデリングの目標を明確にすることが重要であると主張します。
人間と DNN の中核となる物体認識パフォーマンスに関する多数の心理物理学的および計算論的調査をレビューし、DNN は非常に価値のある科学ツールであるが、現時点では DNN は有望であるが、まだ十分ではない計算モデルとしてのみみなされるべきであると主張します。
人間の中核となる物体認識行動の特徴。
その過程で、ビジョン サイエンスにおける DNN を取り巻く多くの誤解を払拭します。

要約(オリジナル)

Deep neural networks (DNNs) are machine learning algorithms that have revolutionised computer vision due to their remarkable successes in tasks like object classification and segmentation. The success of DNNs as computer vision algorithms has led to the suggestion that DNNs may also be good models of human visual perception. We here review evidence regarding current DNNs as adequate behavioural models of human core object recognition. To this end, we argue that it is important to distinguish between statistical tools and computational models, and to understand model quality as a multidimensional concept where clarity about modelling goals is key. Reviewing a large number of psychophysical and computational explorations of core object recognition performance in humans and DNNs, we argue that DNNs are highly valuable scientific tools but that as of today DNNs should only be regarded as promising — but not yet adequate — computational models of human core object recognition behaviour. On the way we dispel a number of myths surrounding DNNs in vision science.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google