論文の概要: The perceptual boost of visual attention is task-dependent in naturalistic settings

• arxiv url: http://arxiv.org/abs/2003.00882v2
• Date: Mon, 6 Apr 2020 14:30:14 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-29 18:44:11.205995
• Title: The perceptual boost of visual attention is task-dependent in naturalistic settings
• Title（参考訳）: 視覚的注意の知覚的増強は自然主義的設定におけるタスク依存である
• Authors: Freddie Bickford Smith, Xiaoliang Luo, Brett D. Roads, Bradley C. Love
• Abstract要約: 我々は視覚的なタスクの集合を設計し、それぞれが選択されたタスクセットから画像を分類する。 タスクの性質は、どのカテゴリがタスクセットに含まれるかによって決定される。 各タスクで、注意を増したニューラルネットワークをトレーニングし、その精度をベースラインネットワークと比較します。 本研究では,タスクセットの難易度が増大し,タスクセットのサイズが増大し,タスクセット内での知覚的類似度が増大するにつれて,知覚的注目の高まりが強くなることを示す。
• 参考スコア（独自算出の注目度）: 5.735035463793008
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Top-down attention allows people to focus on task-relevant visual information. Is the resulting perceptual boost task-dependent in naturalistic settings? We aim to answer this with a large-scale computational experiment. First, we design a collection of visual tasks, each consisting of classifying images from a chosen task set (subset of ImageNet categories). The nature of a task is determined by which categories are included in the task set. Second, on each task we train an attention-augmented neural network and then compare its accuracy to that of a baseline network. We show that the perceptual boost of attention is stronger with increasing task-set difficulty, weaker with increasing task-set size and weaker with increasing perceptual similarity within a task set.
• Abstract（参考訳）: トップダウンの注意は、タスクに関連するビジュアル情報に集中できる。 その結果、自然主義的な設定でタスクに依存しているか? 我々はこれを大規模計算実験で答えることを目指している。 まず、選択したタスクセット(ImageNetカテゴリのサブセット)から画像を分類する視覚的タスクの集合を設計する。 タスクの性質は、どのカテゴリがタスクセットに含まれるかによって決定される。 次に、各タスクで注意喚起されたニューラルネットワークをトレーニングし、その精度をベースラインネットワークと比較します。 タスクセットの難易度が高まり,タスクセットのサイズが大きくなると弱くなり,タスクセット内の知覚的類似度が高まるほど注意の知覚が強くなることが示された。

関連論文リスト

• Video Task Decathlon: Unifying Image and Video Tasks in Autonomous Driving [85.62076860189116]
  Video Task Decathlon (VTD)には、分類、セグメンテーション、ローカライゼーション、オブジェクトとピクセルの関連にまたがる10の代表的な画像とビデオタスクが含まれている。 我々は、単一の構造と10タスクすべてに一組の重みを持つ統合ネットワークVTDNetを開発した。
  論文  参考訳（メタデータ） (2023-09-08T16:33:27Z)
• A Dynamic Feature Interaction Framework for Multi-task Visual Perception [100.98434079696268]
  複数の共通認識課題を解決するための効率的な統合フレームワークを考案する。 これらのタスクには、インスタンスセグメンテーション、セマンティックセグメンテーション、モノクル3D検出、深さ推定が含まれる。 提案するフレームワークはD2BNetと呼ばれ,マルチタスク認識のためのパラメータ効率予測に一意なアプローチを示す。
  論文  参考訳（メタデータ） (2023-06-08T09:24:46Z)
• Top-Down Visual Attention from Analysis by Synthesis [87.47527557366593]
  我々は、古典的分析・合成(AbS)の視覚的視点からトップダウンの注意を考察する。 本稿では,AbSを変動的に近似したトップダウン変調ViTモデルであるAbSViT(Analytic-by-Synthesis Vision Transformer)を提案する。
  論文  参考訳（メタデータ） (2023-03-23T05:17:05Z)
• Fast Inference and Transfer of Compositional Task Structures for Few-shot Task Generalization [101.72755769194677]
  本稿では,タスクがサブタスクグラフによって特徴づけられる,数発の強化学習問題として定式化する。 我々のマルチタスクサブタスクグラフ推論器(MTSGI)は、トレーニングタスクから、まず、サブタスクグラフの観点から、一般的なハイレベルなタスク構造を推測する。 提案手法は,2次元グリッドワールドおよび複雑なWebナビゲーション領域において,タスクの共通基盤構造を学習し,活用し,未知のタスクへの適応を高速化する。
  論文  参考訳（メタデータ） (2022-05-25T10:44:25Z)
• Answer-Me: Multi-Task Open-Vocabulary Visual Question Answering [43.07139534653485]
  タスク対応マルチタスクフレームワークAnswer-Meを提案する。 マルチタスクである視覚言語ジョイントモデルを事前訓練する。 その結果、最先端のパフォーマンス、ゼロショットの一般化、忘れることへの堅牢性、競争力のあるシングルタスクの結果が示された。
  論文  参考訳（メタデータ） (2022-05-02T14:53:13Z)
• Efficiently Identifying Task Groupings for Multi-Task Learning [55.80489920205404]
  マルチタスク学習は、あるタスクによって学習された情報を活用して、他のタスクのトレーニングに役立てることができる。 マルチタスク学習モデルにおいて、どのタスクを一緒にトレーニングすべきかを選択するアプローチを提案する。 本手法は,全タスクを協調学習し,タスクの勾配が他のタスクの損失に影響を及ぼす影響を定量化する。
  論文  参考訳（メタデータ） (2021-09-10T02:01:43Z)
• Improving Robot Localisation by Ignoring Visual Distraction [34.8860186009308]
  我々はニューラル・ブラインドネスを導入し、エージェントは邪魔者と見なされるオブジェクトやクラスを完全に無視することができる。 より明確に言えば、ニューラルネットワークが潜在空間内で特定の選択されたクラスを表現できないようにすることを目指している。 非常に現実的な意味で、これはネットワークを特定のクラスに"盲目"させ、与えられたタスクにとって重要なものに集中させ、それがローカライゼーションを改善するためにどのように使用できるかを実証する。
  論文  参考訳（メタデータ） (2021-07-25T17:45:17Z)
• Understanding top-down attention using task-oriented ablation design [0.22940141855172028]
  トップダウンの注目により、ニューラルネットワークは、人工的および生物学的の両方において、与えられたタスクに最も関連性の高い情報に集中することができる。 我々は,タスク指向アブレーション設計と呼ばれる一般的なフレームワークに基づく計算実験により,この問題に対処することを目指している。 2つのニューラルネットワークの性能を比較する。
  論文  参考訳（メタデータ） (2021-06-08T21:01:47Z)
• CompositeTasking: Understanding Images by Spatial Composition of Tasks [85.95743368954233]
  CompositeTaskingは、複数の空間分散タスクの融合である。 提案するネットワークは,画像のペアと画素単位の高密度なタスクのセットを入力として取り,各ピクセルに対するタスク関連予測を行う。 マルチタスクのためのコンパクトなネットワークを提供するだけでなく、タスク編集も可能です。
  論文  参考訳（メタデータ） (2020-12-16T15:47:02Z)
• Deep Multi-Task Augmented Feature Learning via Hierarchical Graph Neural Network [4.121467410954028]
  深層マルチタスク学習のための拡張機能を学習するための階層型グラフニューラルネットワークを提案する。 実世界のデータステスの実験では、この戦略を使用する際の大幅なパフォーマンス向上が示されている。
  論文  参考訳（メタデータ） (2020-02-12T06:02:20Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。