通过神经启发前端明确建模皮层前视觉以提高CNN的鲁棒性
原文中文，约400字，阅读约需1分钟。发表于：。本研究解决了卷积神经网络在分类受到常见干扰的图像时的鲁棒性不足问题。提出了两种新型生物启发的CNN模型族，前端模拟皮层前视觉处理，通过引入新的前端模块，分别实现了相对12.3%和18.5%的鲁棒性提升，尽管清晰图像的准确性略有下降。这表明在CNN早期层模拟早期视觉处理的多个阶段对模型鲁棒性有累计收益。
研究显示，模拟灵长类视觉皮层V1的卷积神经网络能提升图像识别的鲁棒性。通过匹配V1区感受野特性，模型对图像损坏的鲁棒性提高了8.72%。尽管两种模型的神经元响应相似，但生物采样模型在后续处理上表现更好，强调了仿生模型中精确模仿神经元表示的重要性。
