全地形神经网络更接近于人类视觉系统

卷积神经网络 （CNN） 和递归神经网络 （RNN） 等深度学习模型旨在部分模拟生物神经网络的功能和结构。因此，除了解决各种现实世界的计算问题外，它们还可以帮助神经科学家和心理学家更好地了解特定感觉或认知过程的基础。

奥斯纳布吕克大学、柏林自由大学和其他研究所的研究人员最近开发了一类新型人工神经网络 （ANN），它可以比 CNN 和其他现有的深度学习算法更好地模拟人类视觉系统。他们新提出的、受视觉系统启发的计算技术，被称为全地形神经网络 （All-TNN），在发表在《自然人类行为》上的一篇论文中进行了介绍。

“以前，了解大脑如何处理视觉信息的最强大模型是从 AI 视觉模型衍生而来的，”该论文的资深作者 Tim Kietzmann 博士告诉 Tech Xplore。

“这些通常本质上是卷积的——一种机器学习黑客，允许相应的神经网络在视觉输入中的任何位置搜索完全相同的特征。这种方法非常强大：您在空间的一个位置学到的东西可以转移到所有其他位置。然而，这是大脑无法做到的（大脑不能将信息从皮层的一个位置'复制'和'粘贴'到另一个位置）。

除了执行灵长类动物大脑无法执行的一些动作外，CNN 的组织信息还与生物神经网络不同。与 CNN 相比，大脑是视网膜组织的，这意味着视觉信号从视网膜传播到视觉皮层（大脑外层已知处理视觉信息的区域）。

“大脑还表现出它所响应的特征类型与它搜索它们的位置之间的系统关系，”Kietzmann 说。

“空间和皮层表面特征的这种相互关系是视觉处理的一个重要方面，但如上所述，机器学习中没有考虑这一特征。为了解决这个缺点，我们开发了一个生物学上更真实的模型类'所有地形神经网络'，其中特征选择性在空间上组织在'皮层片'上，即一个 2D 表面，其中相邻特征必然相似，但在更大的距离上有所不同）。

大多数通常用于模拟人类视觉系统如何处理自然图像的计算方法都依赖于深度神经网络 （DNN），例如 CNN。这些是强大的模型，可以对其进行训练以对视觉数据进行分类，例如脑成像扫描，或识别图像中的特定对象。

Kietzmann 解释说：“这些模型的问题在于它们通常与生物学相去甚远，而较新的 ML 模型尽管功能更强大，但也不再是大脑中更好的视觉处理模型（这种关系在过去是正确的）。

“在一系列论文中，我的实验室展示了我们可以将 ML 模型更改为更好的生物学模型的方法。例如，通过在更好的图像数据集上进行训练，通过在网络架构中包含递归连接，通过考虑应该为什么任务训练模型，以及最近，通过考虑大脑在皮层表面对齐的特征检测器。

Kietzmann 和他的同事证明，他们开发的新模型基于 （All-TNN），比 CNN 和其他 DNN 更紧密地反映了人类视觉系统。这是因为它们不仅复制了支撑视觉皮层组织的原则，而且还比以前开发的模型更好地捕捉了人类的行为模式。

未来，All-TNN 可用于进行神经科学和心理学研究，有可能为人类视觉系统的神经基础提供新的思路。例如，它们可以帮助更好地了解整个皮层的特征选择性排列（也称为地形）如何影响人类的感知和行为。

Kietzmann 补充道：“我们目前正在尝试改进训练，以提高任务执行效率，因为与卷积网络相比，地形网络的参数丰富。

“此外，我们目前需要引导模型在空间上实现平滑的特征选择性——这是皮层地形的一个关键特征。然而，生物学可能已经开发出使皮层选择性平滑的隐含机制。找出哪些方面允许这种情况发生是我们希望能够做出贡献的主要研究领域。

全 TNN 更好地近似人类视觉行为中的空间偏差。图片来源：Nature Human Behaviour （2025）。DOI： 10.1038/s41562-025-02220-7