MindSet: Vision. A toolbox for testing DNNs on key psychological experiments

已经开发了多个基准来评估深度神经网络（DNNs）与人类视觉之间的对齐情况。在几乎所有情况下，这些基准都是观察性的，因为它们由对自然图像的行为和大脑反应组成，这些图像没有被操纵以测试有关DNNs或人类如何感知和识别对象的假设。在这里，我们介绍 MindSet: Vision 工具箱，其中包括一组图像数据集和相关脚本，旨在测试 DNNs 在 30 个心理学发现上。在所有实验条件下，刺激都被系统地操纵，以测试有关人类视觉感知和物体识别的特定假设。除了提供预生成的图像数据集外，我们还提供了重新生成这些数据集的代码，为不同的研究环境提供了许多可配置的参数，大大扩展了数据集的多样性，并提供了代码来促进在这些图像数据集上测试 DNNs 的三种不同方法（相似性判断、分布外分类和解码器方法），可在 https://github.com/MindSetVision/mindset-vision 上访问。我们使用 ResNet-152 对每种方法进行测试，作为使用该工具箱的示例。

MindSet: Vision - 一个用于测试深度神经网络对人类视觉知觉和物体识别的工具箱

MindSet: Vision提供了一系列图像数据集和相关脚本，旨在测试深度神经网络（DNNs）在30个心理发现上的表现，并提供了多种可配置参数的代码以扩展数据集的多样性。

MindSet: Vision提供了可重现的数据集和代码，用于测试DNNs在相似性判断、越界分类和解码器方法三种方法上的表现。使用ResNet-152作为示例模型进行了测试。

在深度神经网络和人类视觉知觉领域，已经有很多相关研究。例如，ImageNet、COCO和PASCAL VOC等数据集被广泛用于图像分类和检测任务。