S N
Prof. Fleming, Ph.D. und Dr. Dobs (N)

Deep Learning: das Potenzial entfalten

Beantragtes Teilprojekt für die 3. Förderperiode des SFB trr 135, ab 2022.

Das Hauptziel von Projekt S ist es, den Nutzen von Deep Learning innerhalb des SFBs zu fördern und zu unterstützen. Wir werden Hilfsmittel zur Analyse von tiefen, neuronalen Netzwerkmodellen zur Verfügung stellen, insbesondere von Methoden um sie mit Verhaltens- und Hirndaten zu vergleichen. Wir streben weiterhin an, SFB-übergreifende Ergebnisse in einen gemeinsamen, theoretischen Rahmen zu fassen, der auf Deep Learning basiert. Insbesondere werden wir testen, ob Vorhersage, Bewertung und Kategorisierung durch verschiedene Verlustfunktionen abgebildet werden können. Wir werden überwachte, unüberwachte und belohnungs-basierte Lernmethoden vergleichen um einheitliche Modelle der “Kardinalen Mechanismen” der Wahrnehmung zu entwickeln.

Projektrelevante Veröffentlichungen
Akbarinia, A., & Gil-Rodríguez, R. (2020). Deciphering image contrast in object classification deep networks. Vision Research, 173, 61-76. find paper
Dobs, K., Isik, L., Pantazis, D., & Kanwisher, N. (2019a). How face perception unfolds over time. Nature Communications, 10, 1258. find paper
Dobs, K., Martinez, J., Kell, A. J. E., Kanwisher, N. (2021). Brain-like functional specialization emerges spontaneously in deep neural networks. bioRxiv, 2021.07.05.451192v1. find preprint
Flachot, A., & Gegenfurtner, K. R. (2021). Color for object recognition: Hue and chroma sensitivity in the deep features of convolutional neural networks. Vision Research, 182, 89-100. find paper
Fleming, R. W., & Storrs, K. R. (2019). Learning to see stuff. Current Opinion in Behavioral Sciences, 30, 100-108. find paper
Metzger, A., Toscani, M., Akbarinia, A., Valsecchi, M. & Drewing, K. (2021). Deep neural network model of haptic saliency. Scientific Reports, 11(1), 1395. find paper, DATA
Morgenstern, Y., Hartmann, F., Schmidt, F., Tiedemann, H., Prokott, E., Maiello, G., & Fleming, R. W. (2021). An image-computable model of human visual shape similarity.PLOS Computational Biology, 17(6), e1008981. find paper. DOI
Storrs, K. R., & Fleming, R. W. (2021). Learning about the world by learning about images. Current Directions in Psychological Science, 30(2), 120-128. find paper
Storrs, K. R., Anderson, B. L., & Fleming, R. W. (2021). Unsupervised learning predicts human perception and misperception of gloss. Nature Human Behaviour, 1-16. find paper DOI
Van Assen, J. J. R., Nishida, S., & Fleming, R. W. (2020). Visual perception of liquids: Insights from deep neural networks. PLoS Computational Biology, 16(8): e1008018. find paper DOI