人类视觉皮层与深度卷积神经网络高度关注物体背景

基于摘要分析。本研究考察深度卷积神经网络（DCNNs）预测物体分类任务中脑活动的能力，究竟主要源于物体类别表征还是背景加工。研究将四种 DCNN 架构的活动与 62 名参与者在物体分类任务中的 EEG 记录进行比较，以检验图形—背景分离对两者表征对应关系的解释作用。 实验将相同目标物体嵌入不同背景，利用自然物体与实验控制背景的重组，区分背景因素与类别因素对 EEG 和 DCNN 活动的影响。作者报告，在这一任务与刺激条件下，早期 EEG 活动（<100 毫秒）和 DCNN 早期层主要表征物体背景，而非物体类别；DCNN 对 EEG 活动的预测能力，也主要受两者如何加工背景的影响，而非物体类别加工。这里的结论针对表征内容及其对应关系，不能直接解释为分类性能提升或 BCI 解码增益。 研究还对比了经过训练与未训练、采用随机权重的 DCNN 激活。作者据此提出，图形—背景分离可能是识别物体特征的前提，并认为人类视觉皮层与 DCNN 在物体分类中均优先处理目标与背景的分离。摘要未给出具体架构名称、EEG 预处理流程、表征比较与预测指标、数据划分及效应量；实验协议、消融及统计信息尚未验证。 平台推测（待验证）：对于利用 DCNN 特征解释视觉 EEG 的研究，背景加工可能是需要单独控制的因素，但本摘要尚不能支持将这一发现推广为通用 EEG 或 BCI 算法结论。复现其核心发现需核对刺激重组方式、目标与背景的平衡控制、训练与随机权重模型的比较条件，以及 EEG 时间窗和预测评估流程。