Människor är anmärkningsvärt bra på att minnas fotografier. För att ytterligare undersöka arten av de lagrade representationerna och trovärdigheten hos mänskliga minnen skulle det vara användbart att utvärdera den visuella likheten mellan stimuli som presenteras i experiment. Här har vi undersökt den möjliga användningen av konvolutionella neurala nätverk (CNN) som ett mått på perceptuell eller representativ likhet mellan visuella scener med avseende på forskning om visuellt minne. I experiment 1 presenterade vi deltagarna uppsättningar av nio bilder från samma scenkategori och testade om de kunde upptäcka den mest avlägsna scenen i bildrymden definierad av CNN. Experiment 2 var en visuell variant av Deese-Roediger-McDermott-paradigmet. Vi bad deltagarna komma ihåg en uppsättning fotografier från samma scenkategori. Fotografierna valdes ut i förväg baserat på deras avstånd till en viss visuell prototyp (definierad som centroid i bildrymden). I igenkänningstestet observerade vi högre falsklarmsfrekvenser för scener som låg närmare denna visuella prototyp. Våra resultat visar att den likhet som mäts av CNN återspeglas i mänskligt beteende: människor kan upptäcka udda scener eller lockas till falsklarm med liknande stimuli. Den här metoden kan användas för ytterligare studier om visuellt minne för komplexa scener.