Task-optimized neural networks reveal distinct contributions of specialized and broader visual learning to neural representations of face familiarity
通过将源解析磁脑图（MEG）与任务优化神经网络相结合，本研究表明，面孔熟悉度处理涉及一种阶段性的解离，即中间视觉区域依赖于面孔特异性训练来实现精确的时序，而梭状回皮层表征则与更广泛的视觉学习目标保持一致。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。 阅读完整免责声明
人类的大脑是识别领域的专家。在不到一秒钟的时间内，它就能在人群中识别出朋友，将熟悉的脸孔与陌生人区分开来，并在复杂的物体世界中穿梭自如。几十年来，科学家们一直在争论这一过程是如何发生的，特别是关于面孔识别。一种观点认为，大脑拥有专门用于处理面孔的专用、特化的硬件，即一种专门为了处理人类面容而进化的独特电路。另一种观点则认为，面孔识别只是我们识别所有物体（从椅子到汽车）所使用的通用系统的某种高度精炼的版本。真相可能介于两者之间，但要精确确定大脑何时以及在哪里从通用物体处理转向特定的面孔专业化，一直是一个难题。这是因为人类的专业知识是伴随一生建立起来的：我们无法简单地抹去一个人对家人的记忆来观察其大脑反应，也无法轻易重新训练他们的大脑，使其将面孔视为另一种普通的物体类别。
为了解开这个谜团，研究人员转向了一种不同类型的观察者：人工神经网络。这些计算机程序旨在模仿大脑的结构，能够学习识别模式。通过在不同的任务上训练这些网络——有些旨在识别特定的人，另一些则旨在对一般物体进行分类——科学家们可以创建受控的模型来模拟视觉经验。随后，他们将这些网络的内部“想法”与人类大脑真实的电活动进行对比。目标是观察哪些部分的大脑活动与哪种类型的学习相一致，从而揭示面孔识别变得专业化的精确时刻和地点。
该研究聚焦于腹侧视觉流，即负责处理视觉信息的路径。研究人员锁定了两个关键区域：外侧枕叶皮层（一个涉及识别形状和物体的区域）和梭状回皮层（一个以处理面部特征闻名的区域）。他们使用了被称为脑磁图（MEG）的技术，这种技术能以毫秒级的精度测量大脑活动产生的磁场。这使得他们能够实时观察大脑的反应过程，当参与者观看三类图像时：他们熟悉的知名人士的面孔、不认识的陌生人的面孔，以及看起来像噪声的打乱面部图像。
为了处理这些海量数据，团队构建了七个不同的计算机网络。他们训练其中一些网络去识别特定的身份，例如某位名人的脸；训练另一些网络将物体归入广泛的类别，例如“狗”或“汽车”，并将面孔视为其中的一个普通类别；第三组网络被训练同时识别物体和面孔作为一个整体，但不区分个体面孔；最后，他们使用了未经训练的网络作为基准。通过将相同的面部图像输入这些网络，并将产生的模式与人类大脑扫描结果进行对比，他们得以绘制出大脑活动与计算机“学习”相匹配的具体位置和时间。
结果揭示了大脑处理熟悉度时一种引人入胜的分歧。在外侧枕叶皮层（负责中间阶段物体处理的区域），大脑反应的计时机制会根据熟悉程度发生剧烈变化。当参与者看到熟悉的脸孔时，其大脑活动比看到陌生脸孔时提前约18毫秒与计算机模型达成一致。这种速度提升在那些专门训练用于识别特定身份的计算机模型中表现得最为一致。这表明，对于熟悉的脸孔，大脑会在处理流中稍早的阶段达到识别点，但当系统被调优以识别特定个体时，这种效应表现得最为紧密有序。
然而，在梭状回皮层（大脑深处与详细面部分析相关的区域），情况发生了变化。熟悉度并没有让大脑反应得更快，而是让大脑的反应变得更强，并与计算机模型的吻合度更高。至关重要的是，这种更强的反应并不取决于计算机模型是如何训练的。无论网络是面孔专家、物体分类器还是通用学习者，大脑的梭状回区域在观看熟悉面孔时都显示出了稳健且增强的连接。这一发现挑战了“大脑的面孔专业化区域完全依赖于独特的、仅限面孔的学习路径”的观点。相反，它表明识别熟悉面孔的能力可以从更广泛的视觉学习中产生，而不一定需要专门针对面孔的训练。
这项研究有效地排除了“面孔识别是一个单一、非此即彼的过程”的看法。它表明大脑在不同的处理阶段采用了不同的策略。在处理的中期阶段，大脑的计时功能通过识别特定个体的目标而得到强化。但在处理的后期阶段，大脑表征熟悉面孔的能力是灵活的，并且可以由通用的视觉经验来支持。这意味着，虽然学习识别特定的人确实精炼了识别的速度，但对于熟悉面孔的深度、稳定的表征是一种更通用的能力，并不需要专门的、仅限面孔的训练方案。事实证明，大脑并不是一台拥有单一面孔开关的僵化机器，而是一个动态系统，它会根据所学内容以及在视觉层级中所处的位置，来调整其处理速度和强度。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。