Testing the equivalency of human "predators" and deep neural networks in the detection of cryptic moths
Tester l'équivalence des « prédateurs » humains et des réseaux neuronaux profonds dans la détection des papillons nocturnes cryptiques
Résumé
Researchers have shown growing interest in using deep neural networks (DNNs) to efficiently test the effects of perceptual processes on the evolution of color patterns and morphologies. Whether this is a valid approach remains unclear, as it is unknown whether the relative detectability of ecologically relevant stimuli to DNNs actually matches that of biological neural networks. To test this, we compare image classification performance by humans and six DNNs (AlexNet, VGG-16, VGG-19, ResNet-18, SqueezeNet, and GoogLeNet) trained to detect artificial moths on tree trunks. Moths varied in their degree of crypsis, conferred by different sizes and spatial configurations of transparent wing elements. Like humans, four of six DNN architectures found moths with larger transparent elements harder to detect. However, humans and only one DNN architecture (GoogLeNet) found moths with transparent elements touching one side of the moth's outline harder to detect than moths with untouched outlines. When moths took up a smaller proportion of the image (i.e., were viewed from further away), the camouflaging effect of transparent elements touching the moth's outline was reduced for DNNs but enhanced for humans. Viewing distance can thus interact with camouflage type in opposing directions in humans and DNNs, which warrants a deeper investigation of viewing distance/size interactions with a broader range of stimuli. Overall, our results suggest that humans and DNN responses had some similarities, but not enough to justify widespread use of DNNs for studies of camouflage.
Les chercheurs s'intéressent de plus en plus à l'utilisation des réseaux neuronaux profonds (RNP) pour tester les effets des processus perceptifs sur l'évolution des motifs et des morphologies des couleurs. La validité de cette approche reste incertaine, car on ne sait pas si la détectabilité relative des stimuli écologiquement pertinents pour les réseaux neuronaux profonds correspond réellement à celle des réseaux neuronaux biologiques. Pour le vérifier, nous avons comparé les performances de classification d'images des humains et de six réseaux neuronaux numériques (AlexNet, VGG-16, VGG-19, ResNet-18, SqueezeNet et GoogLeNet) entraînés à détecter des papillons de nuit artificiels sur des troncs d'arbres. Les papillons artificiels variaient dans leur degré de crypsis, conféré par différentes tailles et configurations spatiales des éléments transparents des ailes. À l'instar des humains, quatre des six architectures DNN ont trouvé que les papillons artificiels dotés d'éléments transparents plus grands étaient plus difficiles à détecter. Cependant, les humains et une seule architecture DNN (GoogLeNet) ont trouvé que les papillons dont les éléments transparents touchaient un côté du contour du papillon étaient plus difficiles à détecter que les papillons dont le contour n'était pas touché. Lorsque les papillons occupent une plus petite proportion de l'image (c'est-à-dire lorsqu'ils sont vus de plus loin), l'effet de camouflage des éléments transparents touchant le contour du papillon est réduit pour les DNN, mais renforcé pour les humains. La distance d'observation peut donc interagir avec le type de camouflage dans des directions opposées chez les humains et les DNN, ce qui justifie une étude plus approfondie des interactions entre la distance d'observation et la taille avec une gamme plus large de stimuli. Dans l'ensemble, nos résultats suggèrent que les réponses des humains et des DNN présentent certaines similitudes, mais invite à l'utilisation prudente des DNN pour les études sur le camouflage.
| Origine | Fichiers produits par l'(les) auteur(s) |
|---|---|
| Licence |
