Superstitious perception by humans and convolutional neural networks
Notice bibliographique
Résumé
Recent comparisons between convolutional neural networks (CNNs) trained to identify objects in images and the human visual system have suggested that the hierarchical nature of the two systems is quite similar (Cichy, Khosla, Pantazis, Torralba, & Oliva, 2016), and that activity in higher order areas of the CNN predicts activity in infero-temporal cortex (Yamins et al., 2014). However, systematic behavioural comparisons of CNNs and human vision are just beginning. Our approach is to use the well-studied domain of visual illusions, where humans make predictable "errors," to see if CNNs are governed by the same functional principles. We began with the phenomenon of superstitious perception (Gosselin & Schyns, 2003). Participants (n= 8) tried to identify targets in visual noise (total trials ~= 22,000), sometimes falsely selecting images as targets. Taking the average of the images identified falsely in this way results in a composite image resembling the target. We then compared two different methods for predicting which images were falsely identified. The first technique used the image-wise correlation between the target and the noisy image (Gosselin & Schyns, 2003), and it was able to discriminate participants' "target present" responses from "target absent" responses significantly with d-prime = 0.10, 95% CI = [0.074,0.13]. The second technique used the likelihood of target reports generated by CNNs trained to identify noisy images of the target to increasing levels of accuracy. In contrast to a naïve, untrained CNN, which showed no measureable sensitivity, CNNs trained to identify real targets hidden in visual noise were able to discriminate participants' responses with similar accuracy to image-wise correlation, d-prime = 0.10, 95% CI = [0.074,0.13]. While this implies that CNNs and humans use similar criteria for image identification, finer grained comparisons of the two methods also hint at important differences. These differences will be pursued in further experiments. Meeting abstract presented at VSS 2017
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) | 0,001 | 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 ».