【NeurIPS2019】高性能浅层RNN的类脑目标识别（Brain-Like Object Recognition with High-Performing Shallow Recurrent ANNs）

题目： Brain-Like Object Recognition with High-Performing Shallow Recurrent ANNs

简介： 尽管最初受到大脑解剖学的启发，但在过去的几年中，这些人工神经网络已经从AlexNet中的简单的八层体系结构演变为更加复杂的体系结构，由于机器学习的典型深层模型的层数众多且缺少生物学上重要的连接，因此通常难以映射到大脑的解剖结构。在这里，我们证明，与大脑更好的解剖结构对齐以及在机器学习以及神经科学措施方面的高性能不一定是矛盾的。我们开发了CORnet-S，这是一种浅神经网络，具有四个解剖学映射的区域和经常性连接，并在Brain-Score（一种新的大规模的神经和行为基准测试组合）的指导下进行了开发，用于量化灵长类动物腹侧视觉流模型的功能保真度。尽管比大多数模型要浅得多，但CORnet-S是Brain-Score上的顶级模型，其性能优于ImageNet上类似模型。此外，我们对CORnet-S电路变体的广泛分析表明，是Brain-Score和ImageNet top-1性能的主要预测因素。最后，我们报告了CORnet-S“ IT”的时间演变 神经种群类似于实际的猴子IT种群动态。综上所述，这些结果使CORnet-S（一种紧凑的循环神经网络）成为灵长类动物腹侧视觉流的当前最佳模型。