深度卷积神经网络(DCNN)已成为生物对象识别的最新计算模型。他们的杰出成功帮助了Vision Science打破了新的基础。因此,最近的努力已经开始将这一成就转移到生物面部识别领域。在这方面,可以通过比较面部选择性生物学区域和神经元与人造层和单位进行比较来研究面部检测。同样,可以通过体内和硅面空间表示的比较来检查面部识别。在这个迷你审查中,我们总结了第一批研究。我们认为DCNN是有用的模型,它遵循生物面部识别的一般分层组织。在两个聚光灯下,我们强调了这些模型的独特科学贡献。首先,DCNN中有关面部检测的研究表明,基本面部选择性会通过前馈过程自动出现。其次,DCNN中有关面部识别的研究表明,这项挑战需要经验和其他生成机制。综上所述,由于这种新颖的计算方法能够密切控制倾向(即体系结构)和经验(即培训数据),因此这也可以为关于生物面部识别的底物的长期辩论提供详细介绍。
translated by 谷歌翻译