論文の概要: A Neuro-AI Interface for Evaluating Generative Adversarial Networks
- arxiv url: http://arxiv.org/abs/2003.03193v2
- Date: Mon, 6 Apr 2020 10:42:02 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-26 06:59:03.120022
- Title: A Neuro-AI Interface for Evaluating Generative Adversarial Networks
- Title（参考訳）: 生成対立ネットワーク評価のためのニューロAIインタフェース
- Authors: Zhengwei Wang, Qi She, Alan F. Smeaton, Tomas E. Ward, Graham Healy
- Abstract要約: 神経スコア(Neuroscore)は、GANのパフォーマンスを評価する指標である。
ニューロスコアは,(1)人間の判断と整合性が高いこと,(2)より少ないサンプル数を必要とすること,(3)画像の品質をGANベースでランク付けできること,など,現在の評価指標よりも優れた性能を有する。
- 参考スコア（独自算出の注目度）: 11.570606002205153
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative adversarial networks (GANs) are increasingly attracting attention
in the computer vision, natural language processing, speech synthesis and
similar domains. However, evaluating the performance of GANs is still an open
and challenging problem. Existing evaluation metrics primarily measure the
dissimilarity between real and generated images using automated statistical
methods. They often require large sample sizes for evaluation and do not
directly reflect human perception of image quality. In this work, we introduce
an evaluation metric called Neuroscore, for evaluating the performance of GANs,
that more directly reflects psychoperceptual image quality through the
utilization of brain signals. Our results show that Neuroscore has superior
performance to the current evaluation metrics in that: (1) It is more
consistent with human judgment; (2) The evaluation process needs much smaller
numbers of samples; and (3) It is able to rank the quality of images on a per
GAN basis. A convolutional neural network (CNN) based neuro-AI interface is
proposed to predict Neuroscore from GAN-generated images directly without the
need for neural responses. Importantly, we show that including neural responses
during the training phase of the network can significantly improve the
prediction capability of the proposed model. Codes and data can be referred at
this link: https://github.com/villawang/Neuro-AI-Interface.
- Abstract（参考訳）: generative adversarial networks (gans) はコンピュータビジョン、自然言語処理、音声合成などの分野において注目を集めている。
しかし、GANの性能評価は依然としてオープンで困難な問題である。
既存の評価指標は、主に自動統計手法を用いて実画像と生成画像の相違度を測定する。
評価には、しばしば大きなサンプルサイズが必要であり、人間の画質の知覚を直接反映しない。
本研究では,脳信号の活用による心理知覚画像の質をより直接的に反映するganの性能評価のための評価指標neuroscoreを提案する。
以上の結果から,ニューロスコアは,(1)人間の判断と一貫性が強く,(2)評価プロセスではより少ないサンプル数が必要であり,(3)ganベースで画像の質をランク付けできるという,現在の評価基準よりも優れた性能を示している。
畳み込みニューラルネットワーク(CNN)を用いたニューロAIインタフェースを提案し,ニューロスコアをGAN生成画像から直接予測する。
さらに,ネットワークのトレーニング段階での神経応答を含めると,提案モデルの予測能力が著しく向上することを示す。
コードとデータは以下のリンクで参照できる。
関連論文リスト
- Adapting the Biological SSVEP Response to Artificial Neural Networks [5.4712259563296755]
本稿では,神経科学の手法である周波数タギングに触発されたニューロン重要度評価に対する新しいアプローチを提案する。
画像分類のための畳み込みニューラルネットワークを用いて行った実験では、パートベースの周波数タギングの下でのニューロン特異的応答における顕著な調和と相互変調が明らかにされた。
提案手法は,ネットワークプルーニングやモデル解釈可能性などの応用を約束し,説明可能な人工知能の進歩に寄与する。
論文 参考訳（メタデータ） (2024-11-15T10:02:48Z) - RTify: Aligning Deep Neural Networks with Human Behavioral Decisions [10.510746720313303]
霊長類視覚の現在のニューラルネットワークモデルは、行動精度の全体的なレベルを複製することに焦点を当てている。
我々は、リカレントニューラルネットワークの時間的ダイナミクスを人間の反応時間(RT)に合わせることを学ぶことによって、人間の行動選択のダイナミクスをモデル化する新しい計算フレームワークを導入する。
本稿では,この近似を用いて「理想オブザーバ」RNNモデルを最適化し,人間データなしで速度と精度の最適なトレードオフを実現できることを示す。
論文 参考訳（メタデータ） (2024-11-06T03:04:05Z) - Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - Mental arithmetic task classification with convolutional neural network
based on spectral-temporal features from EEG [0.47248250311484113]
ディープニューラルネットワーク(DNN)は、コンピュータビジョンアプリケーションにおいて大きな優位性を示している。
ここでは、主に2つの畳み込みニューラルネットワーク層を使用し、比較的少ないパラメータと高速で脳波からスペクトル時間的特徴を学習する浅層ニューラルネットワークを提案する。
実験の結果、浅いCNNモデルは他の全てのモデルより優れており、最高分類精度は90.68%に達した。
論文 参考訳（メタデータ） (2022-09-26T02:15:22Z) - Neural Clamping: Joint Input Perturbation and Temperature Scaling for Neural Network Calibration [62.4971588282174]
我々はニューラルクランプ法と呼ばれる新しい後処理キャリブレーション法を提案する。
実験の結果,Neural Clampingは最先端の処理後のキャリブレーション法よりも優れていた。
論文 参考訳（メタデータ） (2022-09-23T14:18:39Z) - Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。
データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文 参考訳（メタデータ） (2022-02-01T17:11:13Z) - Automated Scoring of Graphical Open-Ended Responses Using Artificial
Neural Networks [0.0]
畳み込みニューラルネットワーク(CNN)は、損失と精度の両方でフィードフォワードニューラルネットワークを上回っている。
追加のイノベーションとして、期待される応答関数の適用に基づいて、トレーニングサンプルに対するヒト評価応答を選択する方法を概説する。
本稿では,CNNをベースとした画像応答の自動評価は,大規模評価のための第2のレーダの作業負荷とコストに取って代わる可能性のある,高精度な手順である,と論じる。
論文 参考訳（メタデータ） (2022-01-05T19:00:18Z) - Learning Personal Representations from fMRIby Predicting Neurofeedback
Performance [52.77024349608834]
機能的MRI(fMRI)によって導かれる自己神経変調タスクを行う個人のための個人表現を学習するためのディープニューラルネットワーク手法を提案する。
この表現は、直近のfMRIフレームが与えられた次のfMRIフレームにおける扁桃体活動を予測する自己教師型リカレントニューラルネットワークによって学習され、学習された個々の表現に条件付けされる。
論文 参考訳（メタデータ） (2021-12-06T10:16:54Z) - Information contraction in noisy binary neural networks and its
implications [11.742803725197506]
我々は、各ニューロンが不正な出力を発生させる確率がゼロでない、ノイズの多いバイナリニューラルネットワークを考察する。
私たちの重要な発見は、ノイズの多いニューラルネットワークで必要なニューロンの数が少ないことです。
本稿では,情報理論のレンズを通して,ノイズの多い情報処理システムに対する新たな理解を提供する。
論文 参考訳（メタデータ） (2021-01-28T00:01:45Z) - Neural Networks with Recurrent Generative Feedback [61.90658210112138]
畳み込みニューラルネットワーク(CNN)でこの設計をインスタンス化する
実験では、標準ベンチマーク上の従来のフィードフォワードCNNに対して、CNN-Fは敵のロバスト性を大幅に改善した。
論文 参考訳（メタデータ） (2020-07-17T19:32:48Z) - The efficiency of deep learning algorithms for detecting anatomical
reference points on radiological images of the head profile [55.41644538483948]
U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。
U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
論文 参考訳（メタデータ） (2020-05-25T13:51:03Z)
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。