本报讯 当前，深度神经网络驱动的计算机视觉模型在功耗、存储和响应时延等方面面临效率瓶颈，其训练与推理的开销也进一步加剧算力与可持续性压力。近日，自动化系宋士吉教授、黄高副教授团队提出动态神经网络架构——AdaptiveNN，通过借鉴人类“主动自适应视觉”机制，逐步定位关键区域、累积多次注视信息，并在信息足够完成任务时主动终止感知过程。该架构使神经网络具备了类人式的主动感知能力，突破了传统视觉模型的效率瓶颈，对认知科学的研究具有启发意义。

研究成果以“模拟人类自适应视觉，实现高效灵活的机器视觉感知”为题发表于《自然·机器智能》（Nature Machine Intelligence）期刊。宋士吉、黄高为该论文的共同通讯作者，自动化系2019级博士生王语霖，2022级博士生乐洋、乐阳为共同第一作者。

（自动化系）