- 人類和 DNN 的目標識別穩(wěn)健性比較

我們基于 12 種不同的圖像畸變，對人類和 DNN 的目標識別穩(wěn)健性進行了行為比較。我們發(fā)現(xiàn)，與人類觀察者相比，在 ImageNet 上訓練的三種知名 DNN（ResNet-152、GoogLeNet 和 VGG-19）的表現(xiàn)會隨著圖像畸變所造成的信噪比的減小而迅速降低。此外，我們還發(fā)現(xiàn)當信號越來越弱時，人類與 DNN 的分類誤差模式的差別會逐漸增大。我們在良好控制的實驗室條件下進行了 82880 次心理物理學試驗，結果表明人類與當前 DNN 處理目標信息的方式仍存在顯著區(qū)別。在我們的設置中，這些區(qū)別無法通過在畸變圖像上進行訓練（即數(shù)據(jù)增強）而克服：盡管 DNN 能完美應對其所訓練過的特定畸變，但對于它們之前未曾見過的畸變類型，它們?nèi)匀皇譄o策。因為潛在畸變的類型基本上是無窮無盡的（不管是理論上還是實際應用中都是如此），所以不可能在所有畸變上都訓練一遍。當超出常規(guī)的獨立同分布假設時（通常是不現(xiàn)實的），DNN 就會遇到泛化問題。我們相信，不管是為了創(chuàng)造穩(wěn)健的機器推理，還是為了更好地理解人類目標識別，解決這一泛化問題都至關重要。我們希望我們的發(fā)現(xiàn)以及我們精心測量并免費公開的行為數(shù)據(jù)能為 DNN 穩(wěn)健性的提升提供一個有用的新基準，并能激勵神經(jīng)科學家找到大腦中負責這一出色的穩(wěn)健性機制。