[论文解读] Modeling Object Recognition in Newborn Chicks using Deep Neural Networks

Donsuk Lee, Denizhan Pak+1 more|arXiv (Cornell University)|Jun 14, 2021

Marine animal studies overview参考文献 23被引用 13

一句话总结

本研究探究了无监督深度神经网络（DNN）是否能够模拟新生小鸡的物体识别，利用自监督DNN的特征表示来预测视角不变的分类行为。结果表明，无监督DNN特征的预测性能与有监督特征相当，提示无监督学习机制可能构成了新生大脑早期物体识别的计算基础。

ABSTRACT

In recent years, the brain and cognitive sciences have made great strides developing a mechanistic understanding of object recognition in mature brains. Despite this progress, fundamental questions remain about the origins and computational foundations of object recognition. What learning algorithms underlie object recognition in newborn brains? Since newborn animals learn largely through unsupervised learning, we explored whether unsupervised learning algorithms can be used to predict the view-invariant object recognition behavior of newborn chicks. Specifically, we used feature representations derived from unsupervised deep neural networks (DNNs) as inputs to cognitive models of categorization. We show that features derived from unsupervised DNNs make competitive predictions about chick behavior compared to supervised features. More generally, we argue that linking controlled-rearing studies to image-computable DNN models opens new experimental avenues for studying the origins and computational basis of object recognition in newborn animals.

研究动机与目标

• 探究新生动物物体识别背后计算机制，特别是无监督学习的作用。
• 检验来自无监督深度神经网络的特征表示是否能够预测新生小鸡的视角不变物体识别行为。
• 将受控饲养行为研究与可计算图像的深度学习模型相结合，以研究物体识别的起源。
• 评估无监督DNN特征在建模小鸡分类行为方面的预测能力，与有监督特征进行对比。

提出的方法

• 在自然图像数据集上使用自监督对比学习（SimCLR）训练深度神经网络，以学习无监督特征。
• 从训练好的DNN的倒数第二层提取激活特征，作为视觉刺激的表征。
• 将这些DNN提取的特征用作分类认知模型的输入，具体为基于小鸡行为数据训练的线性分类器。
• 将无监督DNN特征的模型预测结果与有监督DNN特征（如ImageNet预训练模型）的预测结果进行比较。
• 通过比较模型预测的分类行为与受控饲养实验中观察到的小鸡行为，评估模型性能。
• 对小鸡物体识别实验中使用的刺激应用相同的特征提取与分类处理流程，以确保行为相关性。

实验结果

研究问题

• RQ1 无监督深度神经网络特征能否预测新生小鸡的视角不变物体识别行为？
• RQ2 无监督DNN特征在建模小鸡行为方面的预测准确率，与有监督DNN特征相比如何？
• RQ3 无监督DNN的性能对新生大脑早期物体识别学习机制有何启示？
• RQ4 可计算图像的深度学习模型能否有效关联到新生动物的受控行为实验？

主要发现

• 通过对比学习获得的无监督DNN特征在建模小鸡物体识别行为方面，其预测性能与有监督DNN特征相当。
• 本研究证明，自监督表征学习能够捕捉到实现视角不变分类所必需的关键不变性。
• 结果支持了无监督学习机制可能构成新生动物早期物体识别计算基础的假设。
• 将DNN模型与受控饲养行为研究相结合，为探究视觉认知起源开辟了新的实验途径。