先进技术可能表明大脑如何学习面孔

 
面部识别技术在过去五年中得到了飞速发展。德克萨斯大学达拉斯分校的研究人员试图确定计算机在完成任务时的表现如何与人们一样好，他们也在阐明人脑对信息进行分类的方式。
UT达拉斯的科学家分析了最新的面部识别算法梯队的性能，揭示了这些基于机器学习的程序令人惊讶的工作方式。他们的研究于11月12日在线发表在《自然机器智能》上，该研究表明，这些复杂的计算机程序(称为深度卷积神经网络(DCNN))弄清楚了如何以不同于研究人员预期的方式识别人脸。
这项研究的资深作者Alice O’Toole博士说：“在过去30年中，人们一直认为基于计算机的视觉系统摆脱了所有特定于图像的信息-角度，照明，表情等。行为与脑科学学院的Aage和MargaretaMøller教授。 “相反，算法在使身份更重要的同时保留了这些信息，这是从根本上思考问题的新方式。”
在机器学习中，计算机分析大量数据以学习识别模式，其目标是能够以最少的人工投入做出决策。 O’Toole表示，自2014年以来，机器学习在面部识别方面取得的进步“改变了一切”。
O’Toole说：“阻碍计算机视觉技术发展30年来从未有过的事情不仅变得可行，而且变得非常容易。” “问题是没有人了解它是如何工作的。”
上一代算法可以有效地识别与他们已经知道的图像相比仅有微小变化的面部。但是，当前的技术足够了解身份，可以克服表情，视点或外观的变化，例如摘下眼镜。
O’Toole说：“这些新算法的运行方式更像您和我。” “这部分是因为他们积累了丰富的经验，在改变一种身份的方式上有所变化。但这还不是全部。”
奥图尔(O’Toole)的团队着手研究学习算法的运行方式-既证实了对结果的信任，又如主要作者马修·希尔(Matthew Hill)所解释的那样，阐明了人类大脑的视觉皮层如何完成相同的任务。
认知和神经科学博士学位的学生希尔说：“这种神经网络的结构最初是受大脑如何处理视觉信息的启发。” “由于它擅长解决与大脑相同的问题，因此可以洞悉大脑如何解决问题。”
该小组研究的神经网络算法类型的起源可以追溯到1980年，但是30多年来，神经网络的功能呈指数增长。
“在这十年的初期，发生了两件事：互联网为该程序提供了数百万个图像和身份以供使用-令人难以置信的大量可用数据-并且计算能力得到了提高，因此，不再需要在其中放置两到三层’神经元’。在神经网络中，您可以拥有100多个层，就像现在的系统一样。” O’Toole说。
尽管有该算法的预期目的，但其计算规模(至少达到数千万)意味着科学家无法理解其所做的一切。
该论文的作者，认知和神经科学博士学位的学生康纳·帕德说：“即使该算法被设计为模拟大脑中神经元行为的模型，我们也无法跟踪输入和输出之间所做的一切。” “因此，我们必须将研究重点放在产出上。”
为了演示该算法的功能，研究小组使用了讽刺漫画，一种极端的身份，研究助手，另一位作者Y. IvetteColónBS’17将其描述为“您中最“您”的版本。
“讽刺漫画夸大了您相对于其他所有人的独特身份，”奥图尔说。 “从某种意义上讲，这正是算法想要做的：突出使您与众不同的因素。”
令研究人员惊讶的是，DCNN实际上擅长将漫画与其相应的身份联系起来。
O’Toole说：“鉴于这些扭曲的图像具有不成比例的特征，网络了解到这些特征使身份与众不同，并将漫画与身份正确地联系在一起。” “它以我们所没有想到的方式看到了独特的身份。”
因此，当计算机系统开始等同于(有时甚至超过)人类的面部识别性能时，该算法对信息进行分类的基础是否会类似于人脑呢?
为了找到答案，需要对人类视觉皮层有更好的了解。 可用的最详细的信息是通过功能性MRI获得的图像，该图像可用于在对象执行精神任务时对大脑活动进行成像。 希尔将功能磁共振成像描述为“太嘈杂”，以至于无法看到这些小细节。
希尔说：“功能磁共振成像的分辨率远不及您需要了解单个神经元的活动正在发生什么。” “有了这些网络，您便拥有了一切计算能力。这使我们可以问：在我们的脑海中可以这样组织身份吗？”
O’Toole的实验室接下来将解决这个问题，这要归功于最近四年来美国国立卫生研究院（National Institutes of Health）的国立眼科研究所（National Eye Institute）获得了超过150万美元的资助。
“ NIH已经向我们提出了生物学问题的任务：这些结果与人类视觉感知的相关性如何？” 她说。 “我们有四年的资金来寻找答案。”