Local Symmetry in Human and Artificial Neural Networks
Notice bibliographique
Résumé
We can rapidly identify the image of a scene as a beach, a forest, or a highway. This ability relies in part on perceptual grouping cues. Interestingly, past studies found that both the human visual system (HVS) and convolutional neural networks (CNNs) are sensitive to and benefit from perceptual grouping cues such as local symmetry in scenes. Yet, we still do not know exactly how local symmetry facilitates scene categorization and whether HVS and CNNs use the cue in a similar manner. In the present study, we explore this question with representational similarity analysis (RSA), in which we compare the scene representations of the HVS with those of the CNN VGG16. Specifically, for the HVS, we computed representational dissimilarity matrices (RDMs) for ten regions of interest (ROIs) in the visual cortex using the BOLD5000 dataset. For VGG16, we created an RDM for each convolutional layer. Subsequently, we measured correlations between the RMDs for the ROIs and VGG16 layers. Moreover, we correlated all RDMs to a symmetry dissimilarity matrix (SDM) based upon the local symmetry in each scene. Consistent with previous results, we found that half of the participants had high correlations between the RDMs and SDM for low-level visual areas (e.g., V1). However, half showed high correlations for mid- to high-level areas (V4 and RSC), suggesting some variability among observers. We also found that later layers of VGG16 exhibited stronger associations with the SDM than earlier layers. We expected such a finding on a feed-forward network like VGG16 because local symmetry inherently involves longer-range relationships, which are present in higher layers due to their large receptive fields. To conclude, although local symmetry influences both the HVS and VGG16, the two systems process this cue differently, likely due to architectural limitations of feed-forward neural networks.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,007 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».