[논문 리뷰] Disentangling neural mechanisms for perceptual grouping

Junkyung Kim, Drew Linsley외 2명|arXiv (Cornell University)|2019. 06. 04.

Face Recognition and Perception참고 문헌 70인용 수 10

한 줄 요약

이 논문은 생물학적으로 유사한 순환 신경망(TD+H-CNN)과 두 가지 합성 시각 과제인 Pathfinder(Gestalt 기반) 및 혼잡한 ABC(물체 기반) 과제를 사용하여, 인지적 군집화에서 하향, 수평, 상향 신경 연결의 차별화된 역할을 조사한다. 수평 연결은 Gestalt 신호 하에서 점진적인 군집화를 가능하게 하고, 상향 연결은 물체 기반 신호 하에서 거친 예측을 정밀화함으로써, 세 가지 유형의 연결이 강력한 인지적 군집화를 위해 필수적임을 보여준다.

ABSTRACT

Forming perceptual groups and individuating objects in visual scenes is an essential step towards visual intelligence. This ability is thought to arise in the brain from computations implemented by bottom-up, horizontal, and top-down connections between neurons. However, the relative contributions of these connections to perceptual grouping are poorly understood. We address this question by systematically evaluating neural network architectures featuring combinations bottom-up, horizontal, and top-down connections on two synthetic visual tasks, which stress low-level "Gestalt" vs. high-level object cues for perceptual grouping. We show that increasing the difficulty of either task strains learning for networks that rely solely on bottom-up connections. Horizontal connections resolve straining on tasks with Gestalt cues by supporting incremental grouping, whereas top-down connections rescue learning on tasks with high-level object cues by modifying coarse predictions about the position of the target object. Our findings dissociate the computational roles of bottom-up, horizontal and top-down connectivity, and demonstrate how a model featuring all of these interactions can more flexibly learn to form perceptual groups.

연구 동기 및 목표

• 시각적 장면에서 하향, 수평, 상향 신경 연결의 상대적 기여도를 이해하기 위해.
• 시각적 혼잡으로 인해 하향 처리만으로는 실패할 경우 순환 피드백 메커니즘이 어떻게 인지적 군집화를 지원하는지 조사하기 위해.
• 다양한 신경 연결 유형의 기능적 역할을 고립할 수 있는 생물학적으로 타당한 딥 러닝 아키텍처를 개발하고 평가하기 위해.
• 저수준의 Gestalt 원칙을 초월하여 고수준의 물체 기반 군집화를 탐구하기 위해 새로운 합성 벤치마크인 혼잡한 ABC(cABC) 과제를 도입하기 위해.
• 제어 가능하고 측정 가능한 방식으로 피드백 회로에 대한 가설을 검증함으로써, 계산 신경과학과 딥 러닝을 연결하기 위해.

제안 방법

• 계층적이고 순환적인 시각 처리를 모델링하기 위해 하향, 수평, 상향 연결을 명시적으로 포함한 깊은 순환 신경망(TD+H-CNN)을 설계하였다.
• 기능적 기여를 고립하기 위해 네트워크의 절단 변형을 제작: BU-CNN(하향 전용), H-CNN(하향 + 수평), TD-CNN(하향 + 상향), TD+H-CNN(모든 연결)를 포함.
• 두 가지 합성 시각 과제를 개발: Pathfinder 과제(Gestalt 기반 군집화를 위한 유사성과 연속성 기반) 및 혼잡한 ABC(cABC) 과제(시맨틱 및 구조적 사전 지식을 사용한 물체 기반 군집화).
• 두 과제의 과제 난이도를 체계적으로 증가시켜 학습에 부담을 주고, 네트워크의 내구성과 열악한 조건 하에서의 성능을 평가.
• 변동하는 반응 시간 창을 가진 인간 심리물리 실험을 통해 과제의 인지적 타당성을 검증하고, 인간과 모델의 성능을 비교.
• 두 과제에서 네트워크를 학습 및 평가하고, 활동 시간곡선과 분류 정확도를 분석하여 각 연결 유형의 기능적 역할을 추론.

실험 결과

연구 질문

• RQ1 저수준의 Gestalt 신호가 존재할 때 수평 연결은 인지적 군집화에 어떻게 기여하는가?
• RQ2 고수준의 물체 지식이 필요한 상황에서 상향 피드백의 역할은 무엇인가?
• RQ3 하향 연결만을 갖는 모델이 배경 혼잡이 있는 복잡한 시각적 장면으로 일반화할 수 있는가?
• RQ4 하향, 수평, 상향 연결은 서로 어떻게 상호작용하여 다양한 시각 과제에서 민첩한 인지적 군집화를 지원하는가?
• RQ5 cABC 과제와 Pathfinder 과제는 각각 Gestalt 기반 군집화와 물체 기반 군집화에 해당하는 별개의 인지 루틴을 얼마나 잘 반영하는가?

주요 결과

• Pathfinder 과제와 cABC 과제 양쪽 모두에서 과제 난이도가 증가함에 따라 하향 연결 전용 네트워크는 학습에 실패하였다.
• 수평 연결은 국소적 특징 결합의 전파를 지원함으로써, 고난이도 조건에서도 Pathfinder 과제에서 성능을 크게 향상시켰다.
• 상향 연결은 고수준의 시맨틱 사전 지식을 사용하여 물체 위치에 대한 거친 예측을 정밀화함으로써 cABC 과제에서 학습을 복구시켰다.
• 모든 세 가지 연결 유형을 포함한 완전한 TD+H-CNN 모델은 두 과제에서 가장 강력하고 민감한 인지적 군집화를 달성하였다.
• 인간의 성능은 유사한 패턴을 보였으며, 쉬운 시험에서 더 빠른 반응 시간과 Pathfinder 과제에서 더 높은 정확도를 보였는데, 이는 인간의 인지적 기제가 모델의 기능적 분리와 일치함을 시사한다.
• 활동 시간곡선 분석을 통해 수평 연결은 군집화 과정 중에 동적인 점진적 업데이트를 유지하는 반면, 상향 신호는 피드백 루프를 통해 초기 거친 표현을 조절함을 확인하였다.