深層ニューラルネットワークがV2におけるテクスチャ感度を捉える

視覚対象に基づいて訓練された深層畳み込みニューラルネットワーク（CNN）は、視覚皮質ニューロンのいくつかの応答特性を予測する興味深い能力を示しています。しかし、こうした能力を生み出す要因（例えば、モデルが訓練されたかどうか、受容野のサイズ）や計算（例えば、畳み込み、整流、プーリング、正規化）がどの程度のレベルで、皮質の階層の異なる領域間で発生する変化を説明する中間処理段階の役割は、十分に理解されていません。私たちは、最近の神経生理学実験が2次（しかし1次ではない）視覚皮質（V2）におけるテクスチャ感度を示す豊富なデータを提供しているため、テクスチャに対する感度を典型的な例として焦点を当てました。初めに神経データにフィッティングを行わずにCNNを探ったところ、CNNの最初の2層がテクスチャ感度に関して最初の2つの皮質領域と質的に対応していることがわかりました。したがって、脳の神経記録に最も適合するCNNモデルニューロンの集団を選定するための定量的アプローチを開発しました。CNNは、整流後の第2層で2次皮質との適合性を発展させることができ、プーリング後に改善されましたが、局所的な正規化操作による影響はわずかでした。CNNの高次層は、V2データとの適合性をさらなるものの控えめに改善することができました。ランダムな重みを取り入れた場合、適合性は低下しました。私たちの結果は、CNNのモデルクラスが皮質の初期領域で発生する変化を捉えるのに効果的であり、脳の階層的処理を生み出す計算を特定するのに役立つ可能性があることを示しています（コードはGitHubで入手可能です）。