Configural processing in humans and deep convolutional neural networks
Notice bibliographique
Résumé
Background. Deep convolutional neural networks (DCNNs) trained to classify objects can perform at human levels and are predictive of brain response in both human and non-human primates. However, some studies suggest that DCNN models are less sensitive to global configural relationships than humans, relying instead on ‘bags’ of local features (Brendel & Bethge, 2019). Here we employ a novel method to compare human and DCNN reliance on configural features for object recognition. Methods. We constructed a dataset consisting of 640 ImageNet images from 8 object classes (80 images per class). We partitioned each of these images into square image blocks to create four levels of configural disruption: 1) No disruption - intact images; 2) Occlusion - alternate blocks painted mid-gray; 3) Scrambled - blocks randomly permuted; 4) Woven - alternate blocks replaced with random blocks from a distractor image of a different category. We then assessed human and VGG-16 object recognition performance at each level of disruption for 4x4, 8x8, 16x16, and 32x32 block partitions. Results. While block scrambling lowered both human and network performance, humans were much less impacted by occlusion than the network model. Also, while humans performed as well or better in the occlusion condition than in the scrambled condition, the network consistently performed better in the scrambled condition than the occlusion condition. In the woven condition, neither humans nor the network were able to reliably discriminate the coherent from the scrambled images, but we found that fine-tuning the network to report the class of the coherent image led to human levels of performance on the occlusion task. Implications. Both humans and the network were found to rely to some degree on configural processing. While humans may handle occlusion better than standard ImageNet-trained networks, training on woven imagery leads to human-like robustness to occlusion.
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 distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 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 tête enseignante, 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 ».