最新研究揭示了为什么计算机如此不擅长完成一类连幼儿都能轻松应对的任务：判断图像中的两个物体是相同还是不同。
“计算机视觉取得的成就令人振奋……”
过去十年，计算机视觉算法取得了长足进步。研究表明，在犬种或猫种分类等任务上，它们的表现不逊于人类，甚至更胜一筹；它们还具备一项非凡能力：从数百万张面孔中识别出特定的人脸。
在一篇论文中，研究团队上周在认知科学学会年会上介绍了这项工作，探讨计算机视觉算法为何无法完成比较任务，并提出了开发更智能系统的方向。
这个还是那个
布朗大学认知、语言与心理科学副教授、论文资深作者托马斯·塞尔说：“计算机视觉所取得的成就令人振奋，我也深有同感。但我们认为，像这项研究这样努力了解当前计算机视觉系统的局限，确实能帮助我们迈向全新、先进得多的系统，而不是只对现有系统做些微调。”
即使经过数十万条训练样本，算法识别正确关系的表现仍不比随机猜测好。
在这项研究中，塞尔及其同事使用最先进的计算机视觉算法分析简单的黑白图像，图中包含两个或更多随机生成的形状。有时，物体完全相同；有时，它们形状相同，但其中一个相对于另一个发生了旋转；有时，物体则完全不同。研究人员要求计算机判断两者是相同还是不同。
研究表明，即使经过数十万条训练样本，算法识别正确关系的表现仍不比随机猜测好。那么，问题就在于：这些系统为何如此不擅长这项任务？
塞尔及其同事怀疑，问题可能与这些计算机视觉算法无法将物体彼此区分开来有关。计算机查看图像时，实际上无法判断图像中一个物体在哪里结束、背景或另一个物体在哪里开始。它们只能看到一组像素，这些像素的模式与它们学会关联到特定标签的像素组相似。
这种方法用于识别或分类任务时效果不错，但一旦要比较两个物体，效果就会大打折扣。
一次看一个
为了证明算法失效确实是这个原因，塞尔及其团队开展了实验，让计算机无需自行区分物体。研究人员没有在同一张图像中向计算机展示两个物体，而是将它们分别放在不同图像中，一次展示一个。
实验表明，只要不必在同一张图像中查看两个物体，算法学习判断两者相同还是不同就毫无困难。
塞尔说，物体区分问题的根源在于驱动这些算法的机器学习系统架构。算法使用卷积神经网络——由相互连接的处理单元组成的层，这些单元在一定程度上模仿大脑中的神经元网络。与大脑的一个关键区别是，人工网络完全采用“前馈”方式，也就是说，信息只沿着一个方向流经网络各层。塞尔指出，人类的视觉系统并非如此运作。
塞尔说：“如果观察我们自身视觉系统的解剖结构，就会发现其中有许多循环连接：信息从较高级的视觉区域传到较低级的视觉区域，再反馈回来。”
塞尔说，虽然这些反馈具体发挥什么作用尚不清楚，但很可能与我们能够注意视觉范围中的特定部分，并在脑中形成物体的心理表征有关。
塞尔说：“人们大概会先关注一个物体，在工作记忆中建立与该物体绑定的特征表征。然后，他们把注意力转向另一个物体。当两个物体都在工作记忆中形成表征后，视觉系统就能比较它们是否相同。”
塞尔及其同事提出假设：计算机无法做到类似的事情，是因为前馈神经网络不支持物体区分和心理表征所需的循环处理。塞尔说，要让计算机视觉变得更智能，可能需要采用更接近人类视觉处理循环特性的神经网络。
这项研究由美国国家科学基金会和美国国防高级研究计划局（DARPA）资助。
