大脑用来训练自己看东西的学习任务是什么？

Question

在计算机视觉中，使用有监督的任务是很常见的，在这些任务中，数据集必须由人工注释。一些例子是对象分类(类标签)、检测(包围框)和分段(像素级掩码)。这些数据集本质上是一对输入-输出，用于训练卷积神经网络，通过梯度下降优化学习从输入到输出的映射。但是动物不需要任何人给他们展示包装箱或面具，让他们学会探测物体，了解周围的视觉世界。这让我认为大脑一定是在进行某种自我监督来训练自己去观察。

目前的研究对大脑用来达到如此卓越的视觉能力水平的学习范式有什么看法？大脑用哪些任务训练自己如此善于处理视觉信息和理解周围的视觉世界？或者说:大脑是如何在没有手动标注的数据集(如ImageNet、COCO等)的情况下训练自己的神经网络的(也就是说，大脑是如何生成自己的训练示例的)？最后，我们能否将这些洞察力应用于计算机视觉？

Answer 1

也许这的论文会从生物学的角度给你一个关于(和进入)这个话题的概述。本文综述了人类大脑发育的最新进展(及其对临床治疗的意义)。

例如，目录包括

• 第一阶段:第一年，视觉的早期成熟和V1神经生物学的结构
• 第二阶段:学龄前儿童在V1发育中有很高的变异性(1-4岁)。
• 第三阶段:学龄儿童(5至11岁)的视景发展。

(V1的意思是“视觉皮层”)这里所有的点都处理3类:视觉里程碑(即对比度敏感性，轮廓整合)，解剖里程碑(即形态学)和神经生物学里程碑(即突触，但也有很多遗传学)。

第二，也许你也可以在bioinformatics.SE上问这个问题，因为生物学例子和计算再现之间的联系是它们的一个领域。

Answer 2

我认为这类问题更适合于人造智慧SE，但在这里也适用(我猜)。

因此，自然神经网络有大量的时间来开发利用遗传算法(进化)。即使是复杂的人眼，也可能从细菌开始使用简单的光强传感来寻找光(能量)源。

有足够的时间，我们的大脑发展起来，我们在视觉皮层中有大约5个已知区域，每个区域负责某种特征(检查心场)。

另外，对于一个自然神经元的学习过程/目标化知之甚少，但你的问题在于所使用的数据.

嗯，我们把事物聚在一起是为了生存:我们很好地检测了人类的脸，并且很好地进行了人的识别，这是我们视觉皮层最先进的特征之一，这可以追溯到我们的社会需求，这些需求与我们的生存能力有着内在的联系。确定那些对我们友好的人和那些可能对我们造成伤害的人，对我们来说真的很重要。

当目标是用成像诊断脑部疾病时，CNN已经在打击我们的大脑了。

因此，总结我的答案:适应环境让我们能够定义学习什么，正确的预测可以让我们生存和进化，而过早的死亡可以避免坏基因的传播。

我们的环境为我们提供了强化学习+遗传算法的标签。

补充:我们还发展了传播我们的知识的能力(有时通过遗传密码，有时通过教育他人)。