Esse círculo é verde ou cinza? As linhas centrais são retas ou inclinadas?

As ilusões ópticas podem ser divertidas de experimentar e debater, mas compreender como os cérebros humanos percebem esses diferentes fenômenos continua sendo uma área ativa da pesquisa científica. Para uma classe de ilusões de ótica, chamados de fenômenos contextuais, essas percepções são conhecidas por depender do contexto. Por exemplo, a cor que você acha que é um círculo central depende da cor do anel ao redor. Às vezes, a cor externa faz com que a cor interna pareça mais semelhante, como um anel verde vizinho que faz com que um anel azul pareça turquesa, mas às vezes a cor externa faz com que a cor interna pareça menos semelhante, como um anel rosa fazendo um círculo cinza parecer esverdeado.

Uma equipe de especialistas em visão computacional da Brown University voltou à estaca zero para entender os mecanismos neurais desses fenômenos contextuais. Seu estudo foi publicado em 20 de setembro em Revisão Psicológica .

"Há um consenso crescente de que as ilusões de ótica não são um bug, mas um recurso, "disse Thomas Serre, um professor associado de cognitiva, ciências linguísticas e psicológicas na Brown e o autor sênior do artigo. "Eu acho que eles são uma característica. Eles podem representar casos extremos para nosso sistema visual, mas nossa visão é tão poderosa na vida cotidiana e no reconhecimento de objetos. "

Para o estudo, a equipe liderada por Serre, que é afiliado ao Carney Institute for Brain Science de Brown, começou com um modelo computacional limitado por dados anatômicos e neurofisiológicos do córtex visual. O modelo teve como objetivo capturar como os neurônios corticais vizinhos enviam mensagens uns para os outros e ajustar as respostas uns dos outros quando apresentados a estímulos complexos, como ilusões de ótica contextuais.

Uma inovação que a equipe incluiu em seu modelo foi um padrão específico de conexões de feedback hipotéticas entre os neurônios, disse Serre. Essas conexões de feedback são capazes de aumentar ou diminuir - excitar ou inibir - a resposta de um neurônio central, dependendo do contexto visual.

Essas conexões de feedback não estão presentes na maioria dos algoritmos de aprendizado profundo. O aprendizado profundo é um tipo poderoso de inteligência artificial capaz de aprender padrões complexos de dados, como reconhecimento de imagens e análise de fala normal, e depende de várias camadas de redes neurais artificiais trabalhando juntas. Contudo, a maioria dos algoritmos de aprendizagem profunda inclui apenas conexões feedforward entre camadas, não as conexões de feedback inovadoras de Serre entre neurônios dentro de uma camada.

Uma vez que o modelo foi construído, a equipe apresentou uma variedade de ilusões dependentes do contexto. Os pesquisadores "ajustaram" a força das conexões excitatórias ou inibitórias de feedback para que os neurônios modelo respondessem de uma forma consistente com os dados da neurofisiologia do córtex visual dos primatas.

Em seguida, eles testaram o modelo em uma variedade de ilusões contextuais e novamente descobriram que o modelo percebia as ilusões como humanos.

A fim de testar se eles tornaram o modelo desnecessariamente complexo, eles lesaram o modelo - removendo seletivamente algumas das conexões. Quando o modelo estava faltando algumas das conexões, os dados não coincidiam com os dados de percepção humana com tanta precisão.

"Nosso modelo é o modelo mais simples que é necessário e suficiente para explicar o comportamento do córtex visual em relação às ilusões contextuais, "Serre disse." Este foi realmente um trabalho didático de neurociência computacional - começamos com um modelo para explicar dados de neurofisiologia e terminamos com previsões para dados psicofísicos humanos. "

Além de fornecer uma explicação unificadora de como os humanos veem uma classe de ilusões de ótica, Serre está construindo este modelo com o objetivo de melhorar a visão artificial.

Algoritmos de visão artificial de última geração, como aqueles usados ​​para marcar rostos ou reconhecer sinais de parada, tenho dificuldade em ver o contexto, ele notou. Incluindo conexões horizontais ajustadas por ilusões ópticas dependentes do contexto, ele espera resolver essa fraqueza.

Talvez os programas de aprendizado visual profundo que levam em conta o contexto sejam mais difíceis de enganar. Um certo adesivo, quando preso em um sinal de pare pode levar um sistema de visão artificial a pensar que é um sinal de limite de velocidade de 65 milhas por hora, o que é perigoso, Disse Serre.