Notice bibliographique
Résumé
Background: Deep convolutional neural networks (DCNNs) trained to classify objects have reached remarkable levels of performance and are predictive of brain response in both human and non-human primates. However, DCNNs rely more on texture than shape relative to humans (Baker, Lu, Erlikhman & Kellman, 2018; Geirhos et al., 2018), and also appear to be biased toward local shape features (Baker et al., 2020, but see Keshvari et al. 2019). Here we employ a novel method to test for DCNN selectivity for the global shape of an object. Method: We used a dataset of animal silhouettes from 10 animal categories. To assess selectivity for global shape, we created two variants of these stimuli that disrupt the global configuration of the object while largely preserving local features. In the first variant, we flipped the top portion of the object left-to-right but maintained its smooth connection with the bottom of the object, thus disrupting global shape but preserving object coherence. In the second variant we also shifted the top portion laterally so that both global shape and global coherence were disrupted. We then analyzed the classification performance of the Resnet50 DCNN (He et al., 2016) on these stimuli, using two different training curricula: ImageNet alone, and ImageNet + Stylized Imagenet, which has been reported to improve performance on silhouettes (Geirhos et al., 2018). Results: We found that disrupting global shape while maintaining local shape and object coherence induced a ~60% drop in classification performance, while also disrupting coherence induced an additional ~80% drop. Interestingly, co-training on Stylized Imagenet did not mitigate these impacts and reduced performance on silhouettes overall. Implications: While prior work suggests that DCNNs are biased toward texture and local shape features, our findings suggest that at least some ImageNet-trained DCNNs are profoundly selective for global shape and object coherence.
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 | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,001 |
| Communication savante | 0,001 | 0,001 |
| Science ouverte | 0,000 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,003 | 0,001 |
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 ».