为了更好的深层神经网络愿景,把反馈(循环)

你认识对象的能力是惊人的。如果你看到一个杯子受到意想不到的不寻常的照明或方向,有一个好的机会,你的大脑仍然会计算,它是一个杯子。这样精确的对象识别是人工智能的一个圣杯开发商,比如提高无人驾驶汽车导航。

而建模的灵长类动物对象识别视觉皮层已经彻底改变了人工视觉识别系统,当前深入学习系统简化,未能认识到某些对象是灵长类动物如人类小孩子的游戏。

在发现发表在自然神经科学麦戈文研究所研究员詹姆斯·迪卡洛和他的同事们发现,反馈改善很难辨认对象的识别灵长类动物大脑,添加反馈电路的性能也有所改善人工神经网络视觉系统用于应用程序。

深卷积神经网络(DCNN)是目前最成功的为正确认识对象模型在快速的时间尺度(少于100毫秒),一般的建筑灵感来自灵长类动物腹侧视觉流,皮质区域逐步构建一个访问和查看对象的精制表示。大多数DCNNs简单到灵长类动物腹侧流相比,然而。

“很长一段时间,我们从一个基于模型的理解。因此我们开始在这个领域探索通过视觉识别建模为一个前馈过程,”迪卡洛资深作者解释说,他也是麻省理工学院的部门协同脑与认知科学和研究中心的大脑,思想,和机器(CBMM)。“然而,我们知道有复发性解剖连接对象识别相关的大脑区域。”

前馈DCNNs认为,视觉系统的一部分,首先试图捕捉对象,作为地铁运行提出通过一系列的电台。额外的,经常性的大脑网络而不是像上面的街道中,相互联系的,而不是单向的。因为它只需要大约200 ms对大脑识别一个物体很准确,目前还不清楚这些大脑中反复联系在核心对象识别任何角色。也许这些反复连接只保持视觉系统在长时间一致。例如,街上帮助慢慢清楚它的返回水槽的水和垃圾,但不严格需要迅速结束将人们从一个城镇到另一个。迪卡洛,以及作者和CBMM博士后Kohitij凹地,开始测试是否一个微妙的经常性业务快速视觉物体识别的作用被忽略了。

具有挑战性的识别

作者首先需要识别对象非常解码的灵长类动物大脑,但具有挑战性的人工系统。而不是试图猜测为什么深度学习有问题识别一个对象(图像中由于混乱吗?一个误导的影子?),作者用一种公正的方法,结果是至关重要的。

凹地进一步解释说,“我们意识到人工智能模型实际上没有问题,每一个形象,一个对象是阻挡或杂物。人类试图猜测为什么AI模型的挑战是阻止我们。”

相反,作者提出了深度学习系统,以及猴子和人类,与图像的“挑战”图像的灵长类动物可以很容易地识别这些图像中的对象,而是一个前馈DCNN遇到了问题。当他们等,添加适当的反复处理这些DCNNs,挑战图像中物体识别突然变得轻而易举。

处理时间

凹地使用神经记录方法与高时空精度来确定这些图片真的那么微不足道的灵长类动物。值得注意的是,他们发现,尽管挑战图像最初似乎是孩子的发挥人类的大脑,他们实际上涉及到额外的神经处理时间(约一个额外的30 ms),这表明反复循环操作在我们的大脑。

“计算机视觉社区最近通过堆积越来越多的层在人工神经网络、进化与复发性连接,通过大脑架构“凹地说。

心理学教授黛安·贝克,贝克曼研究所的主席智能系统的主题,而不是一个作家的研究,进一步解释了。“既然完全前馈深卷积网现在非常擅长预测灵长类动物大脑活动,它质疑灵长类动物大脑反馈连接的作用。这项研究表明,是的,反馈连接很可能发挥作用在物体识别”。

这是什么意思的无人驾驶车吗?这表明深度学习架构所涉及的对象识别需要反复组件如果他们匹配的灵长类动物大脑,同时也表明如何实施这个过程对下一代的智能机器。

“复发模型提供预测的神经活动和行为随着时间的推移,“凹地说。“我们现在可以模型更复杂的任务。也许有一天,该系统不仅能识别一个物体,比如一个人,但也执行认知任务的人大脑很容易管理,如理解别人的情感。”

---

---

这个故事是由麻省理工学院新闻(再版web.mit.edu/newsoffice/),一个受欢迎的网站,包括麻省理工学院新闻研究、创新和教学。