Abstract Understanding object representations requires a broad, comprehensive sampling of the objects in our visual world with dense measurements of brain activity and behavior. Here we present THINGS-data, a multimodal collection of large-scale neuroimaging and behavioral datasets in humans, comprising densely-sampled functional MRI and magnetoencephalographic recordings, as well as 4.70 million similarity judgments in response to thousands of photographic images for up to 1,854 object concepts. THINGS-data is unique in its breadth of richly-annotated objects, allowing for testing countless hypotheses at scale while assessing the reproducibility of previous findings. Beyond the unique insights promised by each individual dataset, the multimodality of THINGS-data allows combining datasets for a much broader view into object processing than previously possible. Our analyses demonstrate the high quality of the datasets and provide five examples of hypothesis-driven and data-driven applications. THINGS-data constitutes the core public release of the THINGS initiative ( https://things-initiative.org ) for bridging the gap between disciplines and the advancement of cognitive neuroscience.

Abstract Object vision is commonly thought to involve a hierarchy of brain regions processing increasingly complex image features, with high-level visual cortex supporting object recognition and categorization. However, object vision supports diverse behavioral goals, suggesting basic limitations of this category-centric framework. To address these limitations, here we map a series of behaviorally-relevant dimensions derived from a large-scale analysis of human similarity judgments directly onto the brain. Our results reveal broadly-distributed representations of behaviorally-relevant information, demonstrating selectivity to a wide variety of novel dimensions while capturing known selectivities for visual features and categories. Behaviorally-relevant dimensions were superior to categories at predicting brain responses, yielding mixed selectivity in much of visual cortex and sparse selectivity in category-selective clusters. This framework reconciles seemingly disparate findings regarding regional specialization, explaining category selectivity as a special case of sparse response profiles among representational dimensions, and suggesting a behavior-centric view on visual processing in the human brain.

Abstract The primary somatosensory cortex (SI) contains fine-grained tactile representations of the body, arranged in an orderly fashion. Using ultra-high resolution fMRI data to describe such detailed individual topographic maps or to detect group differences is challenging, because group alignment often does not preserve the high spatial detail of the data. Here, we use shared response modeling (SRM), a technique that allows group analyses by mapping individual stimulus-driven responses to a lower dimensional shared feature space, to detect age-related differences in sensory representations between younger and older adults using 7T-fMRI data. Using this method, we show that finger representations are more precise in Brodmann-Area (BA) 3b and BA1 compared to BA2 and motor areas, and that this hierarchical processing is preserved across age groups. By combining SRM with column-based decoding (C-SRM), we further show that the number of columns that optimally describes finger maps in SI is higher in younger compared to older adults in BA1, indicating a greater columnar size in older adults’ SI. Taken together, we conclude that SRM is suitable for finding fine-grained group differences in SI fMRI data at ultra-high-resolution, and we provide first evidence that the columnar architecture of a functional area changes with increasing age.