• 文献检索
  • 文档翻译
  • 深度研究
  • 学术资讯
  • Suppr Zotero 插件Zotero 插件
  • 邀请有礼
  • 套餐&价格
  • 历史记录
应用&插件
Suppr Zotero 插件Zotero 插件浏览器插件Mac 客户端Windows 客户端微信小程序
定价
高级版会员购买积分包购买API积分包
服务
文献检索文档翻译深度研究API 文档MCP 服务
关于我们
关于 Suppr公司介绍联系我们用户协议隐私条款
关注我们

Suppr 超能文献

核心技术专利：CN118964589B侵权必究
粤ICP备2023148730 号-1Suppr @ 2026

文献检索

告别复杂PubMed语法，用中文像聊天一样搜索，搜遍4000万医学文献。AI智能推荐，让科研检索更轻松。

立即免费搜索

文件翻译

保留排版，准确专业，支持PDF/Word/PPT等文件格式，支持 12+语言互译。

免费翻译文档

深度研究

AI帮你快速写综述，25分钟生成高质量综述，智能提取关键信息，辅助科研写作。

立即免费体验

Perception Science in the Age of Deep Neural Networks.

作者信息

VanRullen Rufin

机构信息

Centre National de la Recherche Scientifique, UMR 5549, Faculté de Médecine PurpanToulouse, France; Université de Toulouse, Centre de Recherche Cerveau et Cognition, Université Paul SabatierToulouse, France.

出版信息

Front Psychol. 2017 Feb 2;8:142. doi: 10.3389/fpsyg.2017.00142. eCollection 2017.

DOI:10.3389/fpsyg.2017.00142
PMID:28210237
原文链接:https://pmc.ncbi.nlm.nih.gov/articles/PMC5288363/
Abstract
摘要
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0413/5288363/90a2309f6004/fpsyg-08-00142-g0001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0413/5288363/90a2309f6004/fpsyg-08-00142-g0001.jpg
https://cdn.ncbi.nlm.nih.gov/pmc/blobs/0413/5288363/90a2309f6004/fpsyg-08-00142-g0001.jpg

相似文献

1
Perception Science in the Age of Deep Neural Networks.深度神经网络时代的感知科学。
Front Psychol. 2017 Feb 2;8:142. doi: 10.3389/fpsyg.2017.00142. eCollection 2017.
2
If deep learning is the answer, what is the question?如果深度学习是答案，那么问题是什么？
Nat Rev Neurosci. 2021 Jan;22(1):55-67. doi: 10.1038/s41583-020-00395-8. Epub 2020 Nov 16.
3
Convergence of Artificial Intelligence and Neuroscience towards the Diagnosis of Neurological Disorders-A Scoping Review.人工智能与神经科学在神经紊乱诊断中的交汇：综述
Sensors (Basel). 2023 Mar 13;23(6):3062. doi: 10.3390/s23063062.
4
Deep reinforcement learning to study spatial navigation, learning and memory in artificial and biological agents.深度强化学习用于研究人工和生物智能体中的空间导航、学习与记忆。
Biol Cybern. 2021 Apr;115(2):131-134. doi: 10.1007/s00422-021-00862-0. Epub 2021 Feb 9.
5
The deep arbitrary polynomial chaos neural network or how Deep Artificial Neural Networks could benefit from data-driven homogeneous chaos theory.深度任意多项式混沌神经网络或深度人工神经网络如何从数据驱动的均匀混沌理论中受益。
Neural Netw. 2023 Sep;166:85-104. doi: 10.1016/j.neunet.2023.06.036. Epub 2023 Jul 10.
6
Forms of explanation and understanding for neuroscience and artificial intelligence.神经科学和人工智能的解释和理解形式。
J Neurophysiol. 2021 Dec 1;126(6):1860-1874. doi: 10.1152/jn.00195.2021. Epub 2021 Oct 13.
7
Crossing the Cleft: Communication Challenges Between Neuroscience and Artificial Intelligence.跨越鸿沟：神经科学与人工智能之间的沟通挑战
Front Comput Neurosci. 2020 May 6;14:39. doi: 10.3389/fncom.2020.00039. eCollection 2020.
8
Introduction to the virtual collection of papers on .关于……的虚拟论文集介绍
J Appl Crystallogr. 2024 Feb 1;57(Pt 1):1-2. doi: 10.1107/S1600576723010476.
9
Recent Progress of Deep Learning in Drug Discovery.深度学习在药物发现中的最新进展。
Curr Pharm Des. 2021;27(17):2088-2096. doi: 10.2174/1381612827666210129123231.
10
Artificial intelligence technologies in nuclear medicine.核医学中的人工智能技术。
World J Radiol. 2022 Jun 28;14(6):151-154. doi: 10.4329/wjr.v14.i6.151.

引用本文的文献

1
Making sense of transformer success.理解变压器的成功之道。
Front Artif Intell. 2025 Apr 1;8:1509338. doi: 10.3389/frai.2025.1509338. eCollection 2025.
2
Predictive processing of scenes and objects.场景和物体的预测性处理。
Nat Rev Psychol. 2024 Jan;3:13-26. doi: 10.1038/s44159-023-00254-0. Epub 2023 Nov 23.
3
Convolutional neural networks develop major organizational principles of early visual cortex when enhanced with retinal sampling.卷积神经网络在增强视网膜采样后，会发展出早期视觉皮层的主要组织原则。

本文引用的文献

1
STDP-based spiking deep convolutional neural networks for object recognition.基于 STDP 的尖峰深度卷积神经网络的目标识别。
Neural Netw. 2018 Mar;99:56-67. doi: 10.1016/j.neunet.2017.12.005. Epub 2017 Dec 23.
2
Deep Neural Networks: A New Framework for Modeling Biological Vision and Brain Information Processing.深度神经网络：一种用于模拟生物视觉和大脑信息处理的新框架。
Annu Rev Vis Sci. 2015 Nov 24;1:417-446. doi: 10.1146/annurev-vision-082114-035447.
3
Show and Tell: Lessons Learned from the 2015 MSCOCO Image Captioning Challenge.
Sci Rep. 2024 Apr 18;14(1):8980. doi: 10.1038/s41598-024-59376-x.
4
Feature blindness: A challenge for understanding and modelling visual object recognition.特征失明：理解和建模视觉物体识别的挑战。
PLoS Comput Biol. 2022 May 13;18(5):e1009572. doi: 10.1371/journal.pcbi.1009572. eCollection 2022 May.
5
Arousal state affects perceptual decision-making by modulating hierarchical sensory processing in a large-scale visual system model.觉醒状态通过调节大规模视觉系统模型中的分层感觉处理来影响知觉决策。
PLoS Comput Biol. 2022 Apr 4;18(4):e1009976. doi: 10.1371/journal.pcbi.1009976. eCollection 2022 Apr.
6
Gloss perception: Searching for a deep neural network that behaves like humans.光泽感知：寻找一种行为表现类似人类的深度神经网络。
J Vis. 2021 Nov 1;21(12):14. doi: 10.1167/jov.21.12.14.
7
A comparative biology approach to DNN modeling of vision: A focus on differences, not similarities.一种基于比较生物学的 DNN 视觉建模方法：关注差异，而非相似性。
J Vis. 2021 Sep 1;21(10):17. doi: 10.1167/jov.21.10.17.
8
Do Humans and Deep Convolutional Neural Networks Use Visual Information Similarly for the Categorization of Natural Scenes?人类和深度卷积神经网络是否以类似的方式使用视觉信息对自然场景进行分类？
Cogn Sci. 2021 Jun;45(6):e13009. doi: 10.1111/cogs.13009.
9
A deep-learning framework for human perception of abstract art composition.一种用于人类对抽象艺术构图感知的深度学习框架。
J Vis. 2021 May 3;21(5):9. doi: 10.1167/jov.21.5.9.
10
Comparing feedforward and recurrent neural network architectures with human behavior in artificial grammar learning.比较前馈神经网络和递归神经网络架构与人类在人工语法学习中的行为。
Sci Rep. 2020 Dec 17;10(1):22172. doi: 10.1038/s41598-020-79127-y.
展示与讲述：从 2015 年 MSCOCO 图像字幕挑战赛中学到的经验教训。
IEEE Trans Pattern Anal Mach Intell. 2017 Apr;39(4):652-663. doi: 10.1109/TPAMI.2016.2587640. Epub 2016 Jul 7.
4
Training Deep Spiking Neural Networks Using Backpropagation.使用反向传播训练深度脉冲神经网络。
Front Neurosci. 2016 Nov 8;10:508. doi: 10.3389/fnins.2016.00508. eCollection 2016.
5
Toward an Integration of Deep Learning and Neuroscience.迈向深度学习与神经科学的整合。
Front Comput Neurosci. 2016 Sep 14;10:94. doi: 10.3389/fncom.2016.00094. eCollection 2016.
6
Humans and Deep Networks Largely Agree on Which Kinds of Variation Make Object Recognition Harder.人类和深度网络在哪些类型的变化会使目标识别更困难这一问题上基本达成一致。
Front Comput Neurosci. 2016 Aug 31;10:92. doi: 10.3389/fncom.2016.00092. eCollection 2016.
7
Deep Networks Can Resemble Human Feed-forward Vision in Invariant Object Recognition.深度网络在不变目标识别中可模拟人类前馈视觉。
Sci Rep. 2016 Sep 7;6:32672. doi: 10.1038/srep32672.
8
Deep Visual-Semantic Alignments for Generating Image Descriptions.深度视觉-语义对齐生成图像描述。
IEEE Trans Pattern Anal Mach Intell. 2017 Apr;39(4):664-676. doi: 10.1109/TPAMI.2016.2598339. Epub 2016 Aug 5.
9
Comparison of deep neural networks to spatio-temporal cortical dynamics of human visual object recognition reveals hierarchical correspondence.将深度神经网络与人类视觉物体识别的时空皮层动力学进行比较，揭示了层级对应关系。
Sci Rep. 2016 Jun 10;6:27755. doi: 10.1038/srep27755.
10
Dynamics of scene representations in the human brain revealed by magnetoencephalography and deep neural networks.脑磁图和深度神经网络揭示的人类大脑中场景表征的动态变化
Neuroimage. 2017 Jun;153:346-358. doi: 10.1016/j.neuroimage.2016.03.063. Epub 2016 Apr 1.