人工智能任务为视觉识别对象和面孔时,它分配网络的具体组件面向识别-像人脑一样
人脑似乎关心很多面孔专用区识别 神经元高超 以至于我们大都很容易识别上千个人人造智能计算机现在能以相似效率识别面孔-神经科学家麻省理工学院macovern脑研究所发现 计算网络训练识别面孔和其他对象 发现奇异脑型策略整理
发现报告 2022年3月16日科学进步表示数以百万计的进化 塑造人脑电路 优化系统面部识别
麻省理工学院神经科学家McGovern学院发现 计算网络训练识别脸部和其他对象 发现出奇脑型策略整理嘉奖:MIT
人脑解析法将面部处理与对象处理分离, Katharina Dobs解释,RosenblithMIT认知神经科学教授人工网络她训练 做相同的和我们假设 系统识别面孔 分类对象会发现相同解决方案
两种完全不同的系统发现 算法算法算法Kanwisher表示,
功能专用脑区域
20多年前 Kanwisher和她的同事发现 脑时叶小点区域命名fisiform脸区,是多脑区之一Kanwisher和其他人发现专用于特定任务,如检测文字、声音感知语言和理解语言
Kanwisher表示,当她探索人脑组织方式时,她总是对组织原因感到好奇。大脑真的需要特殊机制识别面部功能和其他功能吗?科学界难解题解题使用复杂类型机器学习调用a深度神经网络团队至少可以发现 不同的系统处理相似任务
可视化首选刺激,例如脸排滤波早期层过滤器(例如Conv5)用简单特征最强激活,而中层过滤器响应像脸部部分(例如鼻子和眼睛)的特征(例如Conv9)并似乎以更全面的方式代表晚进层脸部感想:图片由Kanwisher实验室提供
Dobs目前是Justus Liibig大学Giessen研究组头目,收集数以万计图像培训面部和对象识别深度神经网络集合物中包括1700多人的脸和数以百计的不同对象,从椅子到芝士堡都向网络展示 并没有任何线索我们从未告诉系统 其中一些是面孔, 其中一些是对象基本只是一个大任务 Dobs表示需要识别面部特征 和单机笔
程序学习辨识对象和面孔后,组织成信息处理网络,包括专为面部识别而设单元和脑一样,本专业发生在后期图像处理阶段脑和人工网络中的早期面部识别步骤涉及更多通用视觉处理机,最后阶段依赖面部专用组件
尚不知道面处理机如何从开发中的脑中产生, 但基于他们的发现, Kanwisher和Dobs表示网络不一定需要自生面处理机制获取专业性Kanwisher表示,网络设法隔离 而不给个性化推理
Kanwisher表示看到深神经网络分离成容物识别分块令人兴奋20多年来我们一直在脑中寻找的就是这个何必单立系统识别脑部表示这是最优解法看起来像的
现在,她急切地使用深神经网 询问相似问题 为何脑功能按原样组织以新方式查询大脑为何组织方式,人脑中有多少结构会自发产生 通过训练网络完成相似任务
参考文献:Katharina Dobs、Julio Martinez和Alexander JE.Kelland和NancyKanwisher,2022年3月16日科学进步.
DOI:10.126/ssiadv.abl8913
我真的不理解这个题目, 但有趣的是, 网络中是否会有一定程度的系统隔离 万一有大片集 并有大多对象类,例如汽车类(或小变少或长相多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变多变人脸识别能力特别由进化驱动,
感谢主题我真的想知道 他们使用哪种深学习算法专题中如果提到它,会更有趣