Key points are not available for this paper at this time.
시각적 정확도는 다른 방향에 비해 수직 및 수평에서 더 좋다. 이 종 간 현상은 종종 "효율적 코딩"으로 설명되며, 이는 더 많은 뉴런이 자연 시각에서 가장 일반적인 방향에 대해 더 날카로운 조정을 보인다. 그러나 경험만으로 이러한 편향을 설명할 수 있는지는 불확실하다. 여기에서 우리는 VGG-16이라는 합성곱 신경망에서 방향 표현을 측정하였으며, 이는 수정된 버전의 ImageNet(위치에서 0°, 22.5°, 또는 45° 반시계 방향 회전)으로 훈련되었다. 각 모델의 구별 가능성은 네트워크의 훈련 세트에서 가장 일반적인 방향 근처에서 가장 높았다. 더 나아가, 가장 일반적인 방향에 선택적인 좁게 조정된 유닛이 과대표현되었다. 이러한 효과는 중간 층에서 나타났으며 네트워크 깊이에 따라 증가하였다. 그러나 이 층별 패턴은 사용된 평가 자극의 속성에 따라 달라질 수 있다. 편향은 훈련 초기에 나타났으며, 비균일 표현이 네트워크 작업 성능에 기능적 역할을 할 수 있다는 가능성과 일치한다. 함께, 우리의 결과는 편향된 방향 표현이 방향의 비균일 분포에 대한 경험을 통해 나타날 수 있음을 시사하며, 효율적 코딩 가설을 지지한다.
Henderson et al. (Thu,)은 이 질문을 연구했다.