新型全地形神经网络更精准模拟人类视觉系统

近日，来自奥斯纳布吕克大学、柏林自由大学及其他研究机构的科学家团队开发了一类全新的神经网络模型——全地形神经网络（All-TNNs），该模型能够在更接近人脑视觉系统工作方式的基础上处理图像数据。这一研究发表在《自然·人类行为》杂志上，有望为神经科学和心理学领域的研究提供新的工具和视角。 事件背景与起因 深度学习模型如卷积神经网络（CNNs）和递归神经网络（RNNs）旨在部分模拟生物神经网络的功能和结构，不仅用于解决各种实际计算问题，也帮助科学家理解特定的感觉或认知过程。然而，现有的这些模型在模拟人脑视觉系统时存在一些重要缺陷。比如，CNNs能够在一个位置学到某种特征后将其应用到所有其他位置，但这并不是人脑的实际工作原理。人脑的视觉皮层是视网膜拓扑组织的，意味着视觉信号从视网膜传递到大脑的视觉皮层时，具有空间和特征之间的系统关系，而这种关系在现有机器学习模型中往往被忽略。 研究进展 为了解决这些问题，Kietzmann博士及其同事提出了一种新型的全地形神经网络（All-TNNs）。在这些网络中，特征选择性在“皮层表”即一个二维表面上进行空间组织，相邻的特征相似但随距离变化而不同。这样的设计更符合人脑的实际运作方式，尤其是在处理自然图像时。 关键发现与结果 研究人员通过一系列实验验证了All-TNNs的有效性，发现这些新模型在捕捉人类视觉行为模式方面表现更好，不仅在视觉皮层的组织原则上更加一致，还能够更好地反映人类的行为偏见。与传统的CNNs和其他深度神经网络相比，All-TNNs在模拟人脑视觉系统时更加精确和自然。 未来应用与展望 All-TNNs 的潜力在于它们可以作为研究工具，帮助科学家进一步探索人脑视觉系统的神经基础。具体来说，这些模型可能揭示视觉皮层特征选择性的排列如何影响人类感知和行为。此外，研究人员还计划继续优化模型的训练方法，使其在任务性能上更加高效，并探索生物隐含机制如何保持皮层特征选择性的平滑性。 业内人士评价 Kietzmann 博士在采访中表示，尽管目前 All-TNNs 在参数丰富度上略高于传统卷积网络，但它们在捕捉人类视觉行为方面表现出色。他认为这一研究方向对于理解人类视觉系统的复杂机制具有重要意义，并期待未来的研究能够使这些模型变得更加完善和实用。 公司背景及相关信息 奥斯纳布吕克大学和柏林自由大学在神经科学和人工智能领域均有深厚的研究积淀，此次合作开发的All-TNNs模型体现了跨学科研究的重要成果。未来，这些模型有望应用于多个领域，包括医学影像分析、计算机视觉和人机交互等。研究团队将继续努力改进模型，以便在更多应用场景中发挥作用。