Un estudio y comparación del rendimiento en reconocimiento humano y de aprendizaje profundo bajo distorsiones visuales

Las redes neuronales profundas (DNNs) logran un desempeño excelente en tareas de clasificación estándar. Sin embargo, bajo distorsiones de calidad de imagen como el desenfoque y el ruido, la precisión de clasificación se vuelve deficiente. En este trabajo, comparamos el rendimiento de las DNNs con sujetos humanos en imágenes distorsionadas. Mostramos que, aunque las DNNs funcionan mejor o igual que los humanos en imágenes de buena calidad, el rendimiento de las DNNs sigue siendo mucho más bajo que el rendimiento humano en imágenes distorsionadas. Además, encontramos que hay poca correlación en los errores entre las DNNs y los sujetos humanos. Esto podría ser una indicación de que la representación interna de las imágenes es diferente entre las DNNs y el sistema visual humano. Estas comparaciones con el rendimiento humano podrían usarse para guiar el desarrollo futuro de DNNs más robustas.