ModelVsBaby: un punto de referencia motivado por el desarrollo para el reconocimiento de objetos fuera de distribución

Las redes neuronales profundas se han convertido recientemente en herramientas computacionales notables para pensar sobre el aprendizaje visual humano. Estudios recientes han explorado los efectos de alterar imágenes naturalistas y han comparado las respuestas de humanos y modelos, proporcionando valiosas ideas sobre su funcionamiento y cómo las redes neuronales profundas pueden dar forma a nuestra comprensión del aprendizaje humano. Críticamente, gran parte del aprendizaje visual humano ocurre durante el desarrollo temprano. Sin embargo, los puntos de referencia bien controlados que comparan modelos de IA con humanos jóvenes son escasos. Aquí, presentamos un punto de referencia motivado por el desarrollo para el reconocimiento de objetos fuera de distribución (OOD). Nuestro punto de referencia, ModelVsBaby, incluye un conjunto de condiciones OOD que han sido estudiadas durante mucho tiempo en la literatura de ciencia de la visión y se espera que sean sensibles al desarrollo del reconocimiento de objetos OOD en humanos: silueta, geon, ocluido, borroso, fondo abarrotado, y una condición realista de línea base. Junto con los estímulos, publicamos un conjunto de datos único de las respuestas de niños de 2 años a los estímulos. Nuestros análisis preliminares del conjunto de datos muestran varios patrones interesantes: los niños de 2 años logran una precisión del 80% en la condición de silueta, casi tan bien como en la condición realista (azar=12%). También rinden por encima del azar, cerca del 60% de precisión, en las otras condiciones desafiantes. También evaluamos modelos de asociación imagen-texto (CLIP) entrenados con diferentes cantidades de conjuntos de datos a escala de Internet. Las actuaciones del modelo muestran que con suficientes datos, todas las condiciones son aprendibles por los aprendices artificiales. Sin embargo, Realista y Silueta se aprenden con menos datos de entrenamiento similares a los humanos. Nuestros estímulos de referencia y las respuestas de los infantes proporcionan un peldaño esencial para construir modelos computacionales que estén alineados con los humanos tanto en términos de los resultados de aprendizaje como de la trayectoria de aprendizaje. Este esfuerzo puede facilitar la creación de mejores modelos de desarrollo visual, así como mejorar la eficiencia de los sistemas de IA para aplicaciones prácticas. El trabajo futuro puede utilizar los estímulos de referencia para probar más grupos de edad y proporcionar una comparación detallada de modelos de varios tipos en términos de "alineación del desarrollo".