训练计算机视觉像大脑一样思考可增强性能和鲁棒性

来自麻省理工学院 (MIT) 和IBM的研究人员发现，训练人工神经网络模仿大脑视觉皮层的处理模式可以显著增强计算机视觉系统。通过结合来自大脑颞下 (IT) 皮层的神经活动模式，该团队观察到物体识别能力的提高以及对对抗性攻击的抵抗力增强。这种将计算机视觉与人类视觉对齐的突破有望推动该领域的发展并加深我们对生物神经网络的理解。

通过神经相似性增强计算机视觉

MIT教授James DiCarlo及其团队试图通过引入类脑特征来增强计算机视觉模型。他们使用从猴子IT皮层收集到的神经数据构建了一个计算机视觉模型，IT皮层是物体识别的关键区域。通过训练人工神经网络模仿灵长类动物视觉处理神经元的行为，研究人员旨在使模型的内部过程与大脑的神经机制保持一致。

结果令人鼓舞，因为这种受生物启发的模型在物体识别任务中表现出增强的性能。即使面对扭曲的图像，模型的IT人工层也与生物IT神经元的反应非常接近。模型的解读与人类感知更加一致，展示了对图像更类人的理解。这一发现为视觉信息在大脑中的处理方式提供了宝贵的见解。

将神经对齐应用于对抗性攻击

计算机视觉系统容易受到对抗性攻击，其中图像的轻微扭曲可能会误导人工神经网络。研究人员发现，与常规模型相比，神经对齐模型对这些攻击表现出更大的抵抗力。虽然更强的攻击仍然可以欺骗模型，但这种现象与人类感知相似。目前正在进一步探索以了解人类对抗性鲁棒性的极限。

神经科学与计算机科学之间的合作已被证明是富有成效的，两个领域都从共享的见解中受益。随着计算机视觉和AI研究人员获得实现鲁棒性的新方法，神经科学家和认知科学家可以开发更准确的人类视觉机制模型。这种良性循环促进了自然和人工智能领域的进步和创新。

未来方向

为了进一步增强计算机视觉系统，研究人员旨在将神经对齐方法与其他脑启发技术相结合。通过将多个视觉处理层与神经活动模式对齐，可以开发新模型来模拟大脑复杂的视觉处理层次结构。这种神经科学与计算机科学的融合有望在计算机视觉领域带来更大的进步。

人工神经网络与脑启发技术的结合已证明具有改善计算机视觉系统的潜力。通过训练模型像人脑一样思考，研究人员实现了增强的物体识别能力和对对抗性攻击的抵抗力提高。计算机视觉与人类视觉的对齐不仅带来了实际应用，还加深了我们对大脑复杂工作机制的理解。这种神经科学与计算机科学之间的协同合作为人工智能领域的创新 and 进步开辟了新的途径。