周边视觉使人类能够看到不在我们视线范围内的形状，尽管细节较少。这种能力扩大了我们的视野，在许多情况下都很有用，例如检测从侧面接近我们汽车的车辆。

与人类不同，人工智能没有周边视觉。为计算机视觉模型配备这种能力可以帮助他们更有效地检测接近的危险或预测人类驾驶员是否会注意到迎面而来的物体。

麻省理工学院的研究人员朝这个方向迈出了一步，开发了一个图像数据集，使他们能够在机器学习模型中模拟周边视觉。他们发现，使用该数据集训练模型提高了模型检测视觉外围物体的能力，尽管模型的表现仍然比人类差。

他们的结果还表明，与人类不同，物体的大小和场景中视觉混乱的数量都不会对人工智能的性能产生强烈影响。

“这里发生了一些根本性的事情。我们测试了很多不同的模型，即使我们训练它们，它们也会变得更好一点，但它们不太像人类。所以，问题是：这些模型中缺少什么? ”博士后、详细介绍这项研究的论文的合著者 Vasha DuTell 说道。

回答这个问题可能有助于研究人员建立机器学习模型，使之能够更像人类一样看待世界。除了提高驾驶员安全性之外，此类模型还可用于开发更易于人们查看的显示器。

此外，主要作者 Anne Harrington MEng '23 补充道，更深入地了解人工智能模型中的周边视觉可以帮助研究人员更好地预测人类行为。

“如果我们能够真正捕捉到外围所呈现的本质，对外围视觉进行建模，可以帮助我们理解视觉场景中的特征，这些特征使我们的眼睛移动以收集更多信息，”她解释道。

他们的合著者包括马克·汉密尔顿，一名电气工程和计算机科学研究生;Ayush Tewari，博士后;Simon Stent，丰田研究院研究经理;资深作者 William T. Freeman，电气工程和计算机科学 Thomas 和 Gerd Perkins 教授，计算机科学和人工智能实验室 (AIL) 成员;露丝·罗森霍尔茨 (Ruth Rosenholtz) 是脑与认知科学系的首席研究科学家，也是 AIL 的成员。该研究将在国际学习表征会议 ( ICLR 2024)上公布。

“任何时候，当人类与机器(汽车、机器人、用户界面)进行交互时，了解人能看到什么就非常重要。周边视觉在这种理解中发挥着关键作用，”罗森霍尔茨说。