摘要
传统的计算机视觉和机器学习方法在诸如手写数字识别或交通标志识别等任务上无法匹敌人类的表现。然而，我们设计的生物合理性深度人工神经网络架构可以实现这一目标。卷积胜者全取（winner-take-all）神经元的小（通常是极小的）感受野导致了网络的深层结构，从而形成了与哺乳动物视网膜到视觉皮层之间相似数量的稀疏连接神经层。只有获胜的神经元接受训练。多个深度神经柱成为对不同预处理输入具有专长的专家；它们的预测结果被平均。图形处理器使得快速训练成为可能。在极具竞争力的MNIST手写数字基准测试中，我们的方法首次实现了接近人类的表现。在交通标志识别基准测试中，其性能超过人类两倍。此外，我们在许多常见的图像分类基准测试中也取得了最先进的成果。