Глубокие нейронные сети как вычислительная модель чувствительности человека к форме

Теории распознавания объектов сходятся во мнении, что форма имеет первостепенное значение, однако нет единого мнения о том, как именно может представляться форма, и до сих пор попытки реализовать модель восприятия формы, работающую с реалистичными стимулями, в значительной мере не увенчались успехом. Недавние исследования показывают, что современные свёрточные «глубокие» нейронные сети (DNN) улавливают важные аспекты человеческого восприятия объектов. Мы выдвинули гипотезу, что эти успехи могут отчасти быть связаны с похожим на человеческое представлением формы объектов. Здесь мы демонстрируем, что чувствительность к признакам формы, характерная для зрения человека и приматов, возникает в DNN при обучении общей задаче распознавания объектов на натуральных фотографиях. Мы показываем, что эти модели объясняют человеческие суждения о форме для нескольких эталонных поведенческих и нейронных наборов стимулов, на которых предыдущие модели в основном давали сбои. В частности, хотя сети никогда явно не обучались на таких стимулах, DNN развивают острую чувствительность к малейшим вариациям формы и к нереперентным (non-accidental) свойствам, которые давно предполагаются в качестве основы распознавания объектов. Еще более показательно, что при тестировании на сложном наборе стимулов, где форма и членство в категории диссоциированы, наиболее сложные архитектуры моделей воспроизводят человеческую чувствительность к форме, а также некоторые аспекты структуры категорий, возникающей из человеческих суждений. В целом эти результаты указывают на то, что свёрточные нейронные сети не только изучают физически корректные представления категорий объектов, но и развивают перцептуально точные представления пространств форм. Более полная модель человеческих представлений объектов может быть достигнута при совместном обучении глубоких архитектур по множеству задач, что характерно для человеческого развития.