【重磅】灵长类动物脸部识别算法被破译,大脑黑箱或根本不存在

【新智元导读】发表在 Cell 的一项研究揭示了人脸识别的具体神经元活动过程。对猕猴的实验表明,对脸部的识别是由大脑中 200 多个不同神经元共同编码完成的,每个神经元会对一张脸不同特征的参数组合进行相应。这一发现推翻了此前人脸由特定细胞识别的假说。《纽约时报》报道称,机器学习给神经科学带来了一种悲观主义色彩,认为大脑类似黑箱,该论文则提供了反例:研究人员记录了视觉系统最高级的神经元信号,可以看到那里没有黑箱,我们完全可能揭开大脑的奥秘。

不必花费太多心思就从人群中找到熟识的脸,对于绝大多数人而言都是小事一桩。人类的大脑已经这样做了几百万年。

不过,这其中具体涉及的神经系统过程却十分复杂,研究人员也对其倾注了很多年的时间。

6 月 1 日,在 Cell 发表的一项研究表明,猕猴依靠一个数百个神经元组成的集群相互协调,发现某些物理特征,从而对动物的脸进行识别。这一发现也解决了一个多年以来一直困扰科学家的问题。

关于灵长类是如何识别其他动物,尤其是同类的脸,一直以来众说纷纭。美国马里兰州贝塞斯达心理健康研究所的神经科学家 David Leopold 在接受 Nature 记者采访时表示,最荒谬的观点是,对于每个认识的人,都有单个的细胞专门用于识别那个人的那张脸。

其他理论则认为,多个神经元构成的集群一起工作,从而识别一张脸。

图片来源:Nature

研究发现人脸识别新理论,单个神经元对一组特征编码

加州理工大学的神经科学家 Tsao 和 Le Chang 研究了两只猕猴(Macaca mulatta)的大脑,确定动物大脑中脸细胞(face cell)的位置。他们将人脸或其他物体的图像,包括身体、水果和随机图案展示给这两只猕猴看。然后,使用功能核磁共振成像(fMRI)查看,当这两只猕猴看到“脸”时,哪些脑区会被激活(亮起)。

接下来,他们专注于研究被激活的点,也就是所谓的“脸细胞”。Tsao 和 Chang 使用了一组包含不同特征的 2000 张人脸给猴子观看,这些不同特征包括眼睛之间的距离、发际线的形状等等。

然后,他们将电极植入猕猴的大脑中,比较各个神经元对面部差异的反应。

Tsao 和 Chang 记录了两只猕猴间共计 205 个神经元的反应。每个神经元都会对一些面部参数的特定组合产生相应。

视觉皮层神经元针对特意设计的人脸不进行响应,证明了论文提出的 Axis Model 确实存在

西雅图华盛顿大学视觉神经生理学家格 Greg Horwitz 在接受 Nature 记者采访时表示,Tsao 和 Chang 两人的工作可以简单概括为开发了一个模型,让人能从计算机屏幕上的图像中看到,视觉皮层中神经元对脸部的反应。

Horwitz 说:“这是一个巨大的进步。”因为这个模型描绘了每个细胞是如何对所有可能的面部特征组合产生相应的,而不仅仅是一个

推翻此前假说,大脑不是“人脸识别机”,而是“人脸分析仪”

不仅如此,Tsao 和 Chang 还考虑了,在进行脸部识别,也就是识别各种面部特征的特定组合时,每个神经元是否有“最擅长”的一个组合。

他们根据每个神经元对其特征的反应,尝试重现猕猴看见的面孔,从而验证了这一想法。基于这些信号的强度,神经科学家几乎可以完美地重现真实的面孔。

实验中,当猕猴看到不同的脸部图像,但这些不同是神经元“不关心”的组合时,单个脸细胞的反应保持不变。

打个比方,当猕猴看见两张发际线不同的照片,它们视觉皮层中关心眼睛大小的神经元不会产生变化。

换句话说,“神经元不是人脸检测器,而是面部分析仪,”Leopold 告诉 Nature 记者,大脑“能够意识到一些关键的维度(dimension),可以分辨出这是人 A,这是人 B”。

论文作者 Tsao 表示,人的大脑可能会使用这个代码来识别或想象具体的面孔。

视觉皮层神经元针对特意设计的人脸不进行响应,证明了论文提出的 Axis Model 确实存在。来源:Cell 论文

每个脸细胞的调谐(tuning)都是面部维度的组合,是一个整体的系统,这也说明了为什么当某人把胡子挂掉时,他的朋友可能一开始注意不到,《纽约时报》的报道指出。

根据论文,需要大约 50 个这样的维度来识别一张脸。

这些维度构建了一张精神上的“面孔”,可以识别无数张脸。

《纽约时报》报道还表示,可能存在一张平均脸(或类似的东西),新遇到的一张脸可能一个特征(比如眼睛距离)在一个维度上平均偏离平均脸 5 个单位,而另外一个特征(比如发际线)在这个维度上则是偏离 7 个单位。

一张人脸可以分解为多个维度,而每个脸神经元大约会编码其中 6 个维度的若干参数,整合在一起就形成了一张整体的脸。

Tsao 在接受《纽约时报》采访时表示,她印象特别深刻的是,可以设计出一整套面孔,各种特征组合,而给定的脸细胞都不会发生响应,因为这些设计出的面孔都不是细胞“擅长”识别的维度的组合。

这也排除了此前的一种人脸识别假说——脸细胞将输入的图像与一组标准的人脸数据进行比较,并从中寻找差异,而后者正是此前计算机识别人脸时常用的一种方式。

论文中提出的人脸识别模型的示意图。来源:Cell 论文

不过,科学家目前仍然不确定一切是如何联系在一起的。

但是,能够肯定一点,Leopold 在接受 Nature 采访时表示:“这项研究为大脑实际上如何去分析单个的人提供了一个更实际的替代方法。”

《纽约时报》报道称,机器学习给神经科学带来了一种悲观主义色彩,认为大脑类似黑箱,该论文则提供了反例:研究人员记录了视觉系统最高级的神经元信号,可以看到那里没有黑箱

也就是说,揭开大脑的奥秘是完全可能的。

接下来,就是人工智能要做的事情了。

论文介绍:亮点及概要

亮点

  • 面部图像可以使用大约 200 个脸细胞(face cell)的反应进行线性重建
  • 脸细胞显示(display)与被编码的轴在正交平面上平直调谐(flat tuning)
  • 轴模型比样本模型更有效、鲁棒和灵活
  • 面部结构(patch)ML/MF 和 AM 携带有关脸的补充信息

概要

灵长类动物以惊人的速度和可靠性识别复杂的物体,比如动物的脸。本文中,我们揭示了大脑进行面部识别的代码。猕猴实验表明,在面部结构中,面部和细胞反应之间存在着非常简单的转变。通过将动物的脸格式化为高维线性空间中的点,我们发现每个脸细胞的发射速率(firing rate)与入射面部刺激在该空间单个轴上的投影成正比,这样一来,一个脸细胞就能对空间中任何位置的脸进行集合编码。使用这个代码,我们可以精确地解码面部神经元群的反应,并预测关于动物脸的神经发射速率。此外,这一代码推翻了此前由来已久的假设,那就是脸细胞会对特定的面部特征进行编码。我们的研究表明,其他对象也可以由类似的度量坐标系统进行编码。

编译来源

  1. Nature 报道:http://www.nature.com/news/neuroscientists-rethink-how-the-brain-recognizes-faces-1.22091
  2. Cell 论文:http://www.cell.com/cell/fulltext/S0092-8674(17)30538-X?_returnURL=http%3A%2F%2Flinkinghub.elsevier.com%2Fretrieve%2Fpii%2FS009286741730538X%3Fshowall%3Dtrue
  3. NYT 报道:https://www.nytimes.com/2017/06/01/science/facial-recognition-brain-neurons.html

原文发布于微信公众号 - 新智元(AI_era)

原文发表时间:2017-06-03

本文参与腾讯云自媒体分享计划,欢迎正在阅读的你也加入,一起分享。

发表于

我来说两句

0 条评论
登录 后参与评论

相关文章

来自专栏腾讯技术工程官方号的专栏

MIT教授Tomaso Poggio演讲与专访:智能背后的科学与工程

导读:3月15日,腾讯AI Lab第二届学术论坛在深圳举行,聚焦人工智能在医疗、游戏、多媒体内容、人机交互等四大领域的跨界研究与应用。全球30位顶级AI专家出席...

3757
来自专栏数据派THU

独家 | 类脑计算在医疗图像上的应用(附PPT下载)

本文长度为2517字,建议阅读4分钟 本文为你分享“类脑计算在医疗图像上的应用”的讲座精华。 [ 导读 ]本文整理自2017年7月3日,清华大学生物医学工程系教...

3188
来自专栏企鹅号快讯

加拿大滑铁卢大学刘腾博士:平行增强学习及其无人驾驶应用

平行增强学习 基于美国、欧盟和中国的自动驾驶技术路线图,以及从AlphaGo和AlphaGo Zero的成功上吸取的一些经验,我们发现深度学习或者机器学习在人工...

25510
来自专栏机器之心

前沿 | 手机运行神经网络,MIT新方法使神经网络能耗降低 73%

选自MIT News 机器之心编译 参与:Smith、路雪 麻省理工的研究人员已经设计出了一种新型的精简神经网络的方法。此方法通过给神经网络的能耗进行建模的方式...

2565
来自专栏专知

干货:必读机器学习书籍一览表

【导读】转眼之间春节假期已所剩无几,大家是否也开始制定新一年的学习计划?本文就为大家推荐一个机器学习书单,其中大多数可以免费观看,并附上pdf链接。书单内容包括...

34311
来自专栏大数据挖掘DT机器学习

一战成名,用户贷款风险预测 参赛代码与数据集分享

队伍名“一战成名” 最终线上排名第七。 ? 任务 融360与平台上的金融机构合作,提供了近7万贷款用户的基本身份信息、消费行为、银行还款等数据信息,需要参...

6717
来自专栏机器之心

CVPR 2018奖项出炉:两篇最佳论文,何恺明获PAMI 青年研究员奖

而在一个小时前,最受关注的 CVPR 2018 最佳论文结果揭晓:来自斯坦福大学和 UC Berkeley 的 Amir R. Zamir 等人获得 CVPR2...

1032
来自专栏ACM算法日常

第七篇:《机器学习之神经网络(二)》

我们之前学的,无论是线性回归还是逻辑回归都有这样一个缺点,即:当特征太多时,计算的负荷会非常大。

1001
来自专栏机器之心

学界 | 完善强化学习安全性:UC Berkeley提出约束型策略优化新算法(附代码)

选自BAIR Blog 作者:Joshua Achiam 机器之心编译 参与:Smith、黄小天、邱陆陆 强化学习作为深度学习的一个强大分支成就卓然,在电子游戏...

3826
来自专栏新智元

【春节荐书】必读机器学习书籍一览表,PDF下载

新智元推荐 来源:专知 编辑:克雷格 【新智元导读】转眼之间春节假期已所剩无几,大家是否也开始制定新一年的学习计划?本文就为大家推荐一个机器学习书单,其...

53514

扫码关注云+社区