A)理想的果蝇输入。B)传统观点。C)更新视图。

尽管它们的视觉系统简单，但果蝇能够基于视线单独地可靠地区分个体。这是一项任务，即使是一生都在研究黑腹果蝇的人也在努力奋斗。研究人员现在已经建立了一个模拟果蝇视觉系统的神经网络，可以区分和重新识别苍蝇。这可能使全世界成千上万的实验室使用果蝇作为模式生物进行更多的纵向工作，观察个体果蝇如何随时间变化。它还提供了证据表明，不起眼的果蝇的视觉比以前认为的更清晰。

在加拿大高级研究院(CIFAR)催化剂资助的跨学科项目中，圭尔夫大学和多伦多大学密西沙加分校的研究人员将果蝇生物学方面的专业知识与机器学习相结合，构建了一种基于生物学的算法，果蝇的低分辨率视频，以测试具有这种限制的系统在物理上是否可能完成如此困难的任务。

果蝇的复眼很小，可以获取有限的视觉信息，估计有29个单位的平方。传统观点认为，一旦图像由果蝇处理，它只能区分非常广泛的特征。但最近发现果蝇可以通过微妙的生物技巧提高其有效分辨率，这使得研究人员相信视力可以为苍蝇的社会生活做出重大贡献。结合他们的视觉系统结构看起来很像深度卷积网络(DCN)的发现，带领团队问：“我们能够模拟能够识别个体的飞行大脑吗?”

他们的计算机程序具有与果蝇相同的理论输入和处理能力，并且在两天内对一只苍蝇的视频进行了训练。然后，它能够在第三天可靠地识别相同的飞行，其中F1得分(一种结合精确度和召回的度量)为0.75。令人印象深刻的是，对于没有蝇脑生物学限制的算法，这仅比0.85和0.83的分数略差。为了进行比较，当给予将苍蝇的'面部照片'匹配到另外20个地方的更容易的任务时，经验丰富的人类飞行生物学家仅获得0.08的分数。随机机会得分0.05。

根据Jon Schneider的说法，该论文的第一作者本周在PLOS ONE上发表，该研究指出“诱人的可能性，不仅仅是能够识别广泛的类别，果蝇能够区分个体。所以当一个人登陆在另一个旁边，它是“嗨鲍勃，嘿爱丽丝。”

机器学习专家格雷厄姆泰勒和机器与大脑学习计划中的CIFAR Azrieli全球学者对于在视觉任务中击败人类的前景感到兴奋。“许多深度神经网络应用程序试图复制和自动化人类的能力，如面部识别，自然语言处理或歌曲识别。但它们很少超出人类的能力。因此，找到算法可以胜过人类的问题是令人兴奋的。”

实验在多伦多密西沙加大学实验室进行，该实验室是CIFAR儿童与大脑发育项目的高级研究员Joel Levine。他对这样的研究未来抱有很高的期望。“将深度学习模型与神经系统配对的方法非常丰富。它可以告诉我们模型，神经元如何相互通信，它可以告诉我们整个动物。这是一种令人兴奋的事情。它是未开发的领土。”

Schneider总结了学科之间的工作：“像这样的项目是神经生物学家和机器学习研究人员共同努力的基础，以揭示任何系统 - 生物学或其他 - 学习和处理信息的基本原理。”