Press "Enter" to skip to content

浅层循环神经网络CORnet-S:最像大脑的物体识别高手

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

严冰冰 发自 凹非寺

量子位 报道 | 公众号 QbitAI

深层卷积人工神经网络(Deep Convolutional ANN)是近年来视觉处理领域的宠儿,它们起源于简单的浅层网络(如八层结构的AlexNet),进化出多层级、多分支的复杂结构(如NASNet、ResNet)。

 

这些深层的前馈神经网络虽然在物体识别测试中表现卓越,但都存在局限。

 

太过复杂:层级太多,难以与大脑视觉系统的腹侧通路结构对应。

 

太不复杂:缺少具有生物学意义的大脑构造(如循环结构),难以匹配大脑复杂的神经动态。

 

这些深层ANN继续进化,是否会变得越来越不像真实的大脑?

 

 

为了回答这个问题,MIT的DiCarlo实验室推出线上测试平台Brain-Score,评估ANN与大脑在物体识别过程中的相似程度,同时与多方合作,开发浅层网络CORnet系列。

 

其中,最优秀的是 选手,它的构造与大脑的解剖结构更加对应,且在机器学习评估中表现优异,是迄今为止灵长类视觉腹侧通路的最佳模型,为视觉处理领域ANN的开发与对大脑功能的深入理解提供了新思路。

 

构造:简洁轻便、模拟大脑

 

CORnet-S由4个层级组成,分别对应大脑视觉腹侧通路中的 V1、V2、V4与IT区域 ,在第4层之后增加一个线性分类 解码器 ,对应从IT区域信号输出到行为选择的处理过程。

 

 

△ CORnet-S对应大脑视觉腹侧通路的4个区域

 

来源:arXiv:1909.06161 [cs.CV]

 

CORnet-S的每个层级都是一个简单的经典卷积神经网络,由卷积、激活、非线性化、归一化、池化等步骤组成,其中V2、V4、IT区域的回路结构一致,但神经数目不同。

 

 

△ CORnet-S参数

 

来源:https://doi.org/10.1101/408385

 

CORnet-S增加了层级内部循环的特征,其中V2与IT区域重复2次,V4区域重复4次,并且增加了跳跃连接。

 

△ 来源: arXiv:1909.06161 [cs.CV]

 

层级内部循环,即将该层级的输出作为输入重新进入该层级,多次重复后得到最终的输出,模拟脑区内部循环。

 

优势:Brain-Score与ImageNet双高分

 

Brain-Score平台从以下几个方面评估ANN性能:

 

神经信号预测:ANN是否能准确预测神经元(猴脑内88处V4区域位点与168处IT区域位点)对图像输入的信号反应;

 

行为预测:ANN与人类在核心物体识别中的行为模式是否一致(注意:此处评估行为的一致性,即同对同错,而非准确性);

 

物体识别时间(OST):ANN与大脑内IT区域神经元(猴脑内424处IT区域位点)得到图像分类信息所需时间是否一致;

 

前馈简易度:评估ANN结构的复杂程度,以最长通路的卷积层数为标准,相同参数的区域内循环算作1,如CORnet-S为4层,非常简单。

 

在Brain-Score平台上可以看到,相比其他的视觉处理人工神经网络,CORnet-S得分最高,在ImageNet测试中也名列前茅,是浅层网络中表现最好的。综合考虑ANN的前馈简易度因素,CORnet-S也十分具有优势。

 

 

△ CORnet-S在Brain-Score与ImageNet评估中得分很高,且结构简单。

 

来源:arXiv:1909.06161 [cs.CV]

 

研究者进一步探索发现, 循环 是CORnet-S在评估中表现优异的关键因素,区域内循环次数、瓶颈层设定与跳跃连接是关键参数。 另外,相比前馈网络,CORnet-S与猴脑内物体识别时间的相关程度更高(r=0.19, p<1e-8),可以部分抓取 I T区域的神经元动态 ,而这一点是前馈神经网络无法做到的。

 

 

△ CORnet-S的关键参数

 

来源:arXiv:1909.06161 [cs.CV]

 

总结

 

CORnet-S的发展不仅打破了传统的深层网络开发思路,也为神经生物学家深入理解大脑结构与功能提供了新的可能性。值得注意的是,目前CORnet-S的设定中不包含 层级间循环与反馈 ,且不包括对应大脑结构中 视网膜与外侧膝状体(IGN) 的区域,这些现存的缺陷都为它未来的发展提供了想象空间。

 

传送门

 

论文连接:

 

https://arxiv.org/abs/1909.06161

 

CORnet家族开源地址:

 

https://github.com/dicarlolab/cornet

Be First to Comment

发表评论

邮箱地址不会被公开。 必填项已用*标注