经过训练以执行视觉任务的深度神经网络(DNN)可以模拟、预测和解释视觉皮层中的神经活动。然而，为了充分利用这些模型，需要一个工具箱来有效地比较最先进的DNN的表征空间和大脑反应。

因此，arXiv.org上最近的一篇论文介绍了Net2Brain，这是一个易于使用的工具箱，可让神经科学家有效地将600多个DNN纳入他们的研究。它促进了DNN在认知神经科学研究中的采用，降低了想要实施这些工具的新手的知识障碍，并为用户提供了使用他们的计算模型和大脑数据集进行这些分析的灵活性。

作为一项探索性工作，研究人员使用Net2Brain来检验认知计算神经科学的假设。

我们介绍了Net2Brain，这是一个图形和命令行用户界面工具箱，用于比较人工深度神经网络(DNN)和人脑记录的表征空间。虽然不同的工具箱只促进单一功能或只关注监督图像分类模型的一小部分，但Net2Brain允许提取600多个经过训练以执行各种视觉相关任务(例如语义分割、深度估计、动作识别等)，在图像和视频数据集上。该工具箱计算这些激活的表征差异矩阵(RDM)，并使用表征相似性分析(RSA)、加权RSA在特定ROI和探照灯搜索中将它们与大脑记录进行比较。此外，可以将新的刺激和大脑记录数据集添加到工具箱中进行评估。我们通过一个示例展示了Net2Brain的功能和优势，展示了它如何用于测试认知计算神经科学的假设。