這個圓圈是綠色還是灰色?中心線是直的還是傾斜的?

視錯覺可能是有趣的體驗和辯論，但理解人類大腦如何感知這些不同的現象仍然是科學研究的活躍領域。對于一類視錯覺，稱為語境現象，已知這些視覺依賴于語境。例如，您認為中心圓的顏色取決于周圍環的顏色。有時外部顏色使內部顏色看起來更相似，例如相鄰的綠色環使藍色環呈現綠松石色 - 但有時外部顏色使內部顏色看起來不那么相似，例如粉紅色環使灰色圓圈呈現綠色。

布朗大學計算機視覺專家團隊回到原點，了解這些情境現象的神經機制。他們的研究發表在9月20日的心理學評論中。

“人們越來越多地認為，視錯覺不是一個錯誤，而是一個特征，”布朗的認知，語言和心理科學副教授，該論文的資深作者托馬斯塞爾說。“我認為它們是一個特征。它們可能代表我們視覺系統的邊緣情況，但我們的視野在日常生活和識別物體方面是如此強大。”

在研究中，由布朗的卡尼腦科學研究所所屬的塞爾領導的團隊開始使用受視覺皮層的解剖學和神經生理學數據約束的計算模型。該模型旨在捕捉相鄰皮質神經元如何相互發送信息，并在呈現復雜刺激(如情境視覺錯覺)時調整彼此的反應。

Serre表示，團隊在其模型中包含的一項創新是神經元之間假設的反饋連接的特定模式。這些反饋連接能夠增加或減少 - 激發或抑制中樞神經元的響應，這取決于視覺上下文。

大多數深度學習算法中都不存在這些反饋連接。深度學習是一種強大的人工智能，能夠學習數據中的復雜模式，例如識別圖像和解析正常語音，并依賴于多層人工神經網絡協同工作。然而，大多數深度學習算法僅包括層之間的前饋連接，而不是Serre層內神經元之間的創新反饋連接。

一旦模型構建完成，團隊就會向其展示各種依賴于上下文的幻想。研究人員“調整”反饋興奮性或抑制性連接的強度，以便模型神經元以與靈長類視覺皮層的神經生理學數據一致的方式響應。

然后他們在各種背景幻象上測試了模型，并再次發現模型感知了人類的幻想。

為了測試他們是否使模型不必要地復雜化，他們損害了模型 - 選擇性地刪除了一些連接。當模型缺少某些連接時，數據與人類感知數據不完全匹配。

“我們的模型是最簡單的模型，既有必要又足以解釋視覺皮層在情境幻覺方面的行為，”塞爾說。“這真的是教科書計算神經科學的工作 - 我們從解釋神經生理學數據的模型開始，最后以人類心理物理數據的預測結束。”

除了為人類如何看待一類視錯覺提供統一的解釋外，Serre正在建立這一模型，目標是改善人工視覺。

他指出，最先進的人工視覺算法，例如用于標記面部或識別停止標志的算法，很難看到背景。通過包括由依賴于上下文的視錯覺調整的水平連接，他希望解決這個弱點。

也許考慮到背景的視覺深度學習計劃將更難以愚弄。塞爾說，一張貼在停車標志上的貼紙可能會讓人工視覺系統誤以為這是一個每小時65英里的限速標志，這很危險。