Секрет человеческого зрения раскрыт — и немцы уже используют его против нас

Исследователи из Университета Оснабрюка, Свободного университета Берлина и других научных учреждений представили новую архитектуру искусственных нейросетей , которая лучше имитирует работу человеческой зрительной системы, чем существующие модели глубокого обучения. Результаты их работы опубликованы в журнале Nature Human Behaviour.

Разработанный ими подход получил название All-topographic Neural Networks, или All-TNN. Эти сети устроены иначе, чем традиционные свёрточные нейросети, которые активно используются в компьютерном зрении. В то время как CNN ищут одни и те же признаки в любом месте изображения, мозг человека работает иначе — он не может просто «копировать» и «вставлять» информацию из одной части коры в другую. В зрительной коре существует чёткая топографическая организация, при которой расположение рецепторов и тип обрабатываемых признаков тесно связаны.

Авторы отмечают, что предыдущие модели, несмотря на свою эффективность в распознавании изображений, всё сильнее отходят от принципов, по которым функционирует биологическая зрительная система. В отличие от них, All-TNN воспроизводит ту самую пространственную организацию, где рядом расположенные участки «коры» реагируют на похожие признаки, но с постепенным изменением по мере удаления.

Одна из ключевых задач, над которой сейчас работают разработчики, связана с оптимизацией обучения таких сетей. По словам руководителя проекта Тима Китцманна, новые модели содержат значительно больше параметров, чем их сверточные аналоги, и требуют более точной настройки. При этом природа, вероятно, нашла способы добиться плавной избирательности признаков без явной внешней корректировки, и учёные надеются приблизиться к пониманию этих скрытых биологических механизмов.

Авторы считают, что All-TNN может стать полезным инструментом не только в машинном обучении, но и в когнитивной науке. Такие модели позволят глубже исследовать, как устройство зрительной коры влияет на восприятие и поведение человека.