論文の概要: On the Road with 16 Neurons: Mental Imagery with Bio-inspired Deep Neural Networks

• arxiv url: http://arxiv.org/abs/2003.08745v1
• Date: Mon, 9 Mar 2020 16:46:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-25 07:49:54.681850
• Title: On the Road with 16 Neurons: Mental Imagery with Bio-inspired Deep Neural Networks
• Title（参考訳）: 16個のニューロンを持つ道路:バイオインスパイアされたディープニューラルネットワークを用いたメンタルイメージ
• Authors: Alice Plebe and Mauro Da Lio
• Abstract要約: 本稿では,自律運転の文脈における視覚的予測の戦略を提案する。 私たちは、人間の心とその神経組織に関する2つの理論的考えからインスピレーションを得ます。 私たちは、考慮すべき2つの基本的な駆動概念のそれぞれに、最大16個の神経ユニットを使用するコンパクトな表現を学びます。
• 参考スコア（独自算出の注目度）: 4.888591558726117
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper proposes a strategy for visual prediction in the context of autonomous driving. Humans, when not distracted or drunk, are still the best drivers you can currently find. For this reason we take inspiration from two theoretical ideas about the human mind and its neural organization. The first idea concerns how the brain uses a hierarchical structure of neuron ensembles to extract abstract concepts from visual experience and code them into compact representations. The second idea suggests that these neural perceptual representations are not neutral but functional to the prediction of the future state of affairs in the environment. Similarly, the prediction mechanism is not neutral but oriented to the current planning of a future action. We identify within the deep learning framework two artificial counterparts of the aforementioned neurocognitive theories. We find a correspondence between the first theoretical idea and the architecture of convolutional autoencoders, while we translate the second theory into a training procedure that learns compact representations which are not neutral but oriented to driving tasks, from two distinct perspectives. From a static perspective, we force groups of neural units in the compact representations to distinctly represent specific concepts crucial to the driving task. From a dynamic perspective, we encourage the compact representations to be predictive of how the current road scenario will change in the future. We successfully learn compact representations that use as few as 16 neural units for each of the two basic driving concepts we consider: car and lane. We prove the efficiency of our proposed perceptual representations on the SYNTHIA dataset. Our source code is available at https://github.com/3lis/rnn_vae
• Abstract（参考訳）: 本稿では,自律運転における視覚的予測戦略を提案する。 人間は、気を取られたり酔っ払ったりしないときには、今でも最良のドライバーだ。 そのため、人間の心とその神経組織に関する2つの理論的考えからインスピレーションを得ます。 最初のアイデアは、脳がどのようにしてニューロンアンサンブルの階層構造を用いて視覚経験から抽象概念を抽出し、それらをコンパクトな表現に符号化するかである。 第二の考えは、これらの神経知覚表現は中立ではなく、環境における将来の状況の予測に機能することを示唆している。 同様に、予測メカニズムは中立ではなく、将来の行動の現在の計画に向けられている。 我々は、上記の神経認知理論の2つの人工的な枠組みの中で識別する。 第1の理論概念と畳み込みオートエンコーダのアーキテクチャとの対応性を見出す一方、第2理論は中性ではないが2つの異なる視点からタスクの駆動を指向したコンパクトな表現を学習する訓練手順に変換する。 静的観点から、我々は、コンパクト表現における神経ユニットのグループに、駆動タスクに不可欠な特定の概念を明確に表現するよう強制する。 ダイナミックな観点から、我々は、現在の道路シナリオが将来どのように変化するかを予測するよう、コンパクトな表現を奨励します。 我々は、車と車線という2つの基本的な駆動概念のそれぞれに最大16個の神経ユニットを使用するコンパクトな表現をうまく学習する。 我々は,SynTHIAデータセット上で提案した知覚表現の有効性を実証する。 私たちのソースコードはhttps://github.com/3lis/rnn_vaeで利用可能です。

関連論文リスト

• Artificial Kuramoto Oscillatory Neurons [65.16453738828672]
  しきい値単位の動的代替として人工内蔵ニューロン(AKOrN)を導入する。 このアイデアは、幅広いタスクにまたがってパフォーマンス改善をもたらすことを示しています。 これらの経験的結果は、神経表現の最も基本的なレベルにおいて、私たちの仮定の重要性を示していると信じている。
  論文  参考訳（メタデータ） (2024-10-17T17:47:54Z)
• How does the primate brain combine generative and discriminative computations in vision? [4.691670689443386]
  推論過程の2つの対照的な概念は、それぞれ生物学的ビジョンと機械ビジョンの研究に影響を与えている。 視覚は、しばしば感覚データのトップダウン予測を含むと考えられるプロセスにおいて、証拠の尋問を通じて生成モデルを逆転させることを示す。 本稿では,この用語を説明し,重要な実証的証拠を概説するとともに,霊長類視覚の謎のハイブリッドアルゴリズムを明らかにするための段階を超越し,設定する経験的研究プログラムを提案する。
  論文  参考訳（メタデータ） (2024-01-11T16:07:58Z)
• Implementing engrams from a machine learning perspective: matching for prediction [0.0]
  ニューラルネットワークを用いてエングラムを実装するコンピュータシステムを設計する方法について提案する。 オートエンコーダをベースとして,情報を圧縮形式で保存・検索するためのインデックスとして潜時ニューラルネットワークを提案する。 我々は、異なるタイプの感覚入力に対応する潜時神経空間における異なる状態が同期活性化によってどのようにリンクされるかを検討する。
  論文  参考訳（メタデータ） (2023-03-01T10:05:40Z)
• Exploring Contextual Representation and Multi-Modality for End-to-End Autonomous Driving [58.879758550901364]
  最近の知覚システムは、センサー融合による空間理解を高めるが、しばしば完全な環境コンテキストを欠いている。 我々は,3台のカメラを統合し,人間の視野をエミュレートするフレームワークを導入し,トップダウンのバードアイビューセマンティックデータと組み合わせて文脈表現を強化する。 提案手法は, オープンループ設定において0.67mの変位誤差を達成し, nuScenesデータセットでは6.9%の精度で現在の手法を上回っている。
  論文  参考訳（メタデータ） (2022-10-13T05:56:20Z)
• Learning Theory of Mind via Dynamic Traits Attribution [59.9781556714202]
  本稿では,過去のトラジェクトリからアクターの潜在特性ベクトルを生成するニューラルToMアーキテクチャを提案する。 この特性ベクトルは、予測ニューラルネットワークの高速重み付けスキームを介して予測機構を乗法的に変調する。 実験により,高速重量はエージェントの特性をモデル化し,マインドリーディング能力を向上させるために優れた誘導バイアスを与えることが示された。
  論文  参考訳（メタデータ） (2022-04-17T11:21:18Z)
• What does it mean to represent? Mental representations as falsifiable memory patterns [8.430851504111585]
  我々は、因果的および遠隔的アプローチは表現の十分な説明を提供していないと論じる。 我々は、どの表現が世界の推論された潜在構造に対応するかという選択肢をスケッチする。 これらの構造は客観的に特定の特性を持つと考えられており、予期せぬ事象の計画、予測、検出を可能にしている。
  論文  参考訳（メタデータ） (2022-03-06T12:52:42Z)
• Emergence of Machine Language: Towards Symbolic Intelligence with Neural Networks [73.94290462239061]
  本稿では、ニューラルネットワークを用いてシンボルとコネクショナリズムの原理を組み合わせることで、離散表現を導出することを提案する。 対話型環境とタスクを設計することにより、機械が自発的で柔軟でセマンティックな言語を生成できることを実証した。
  論文  参考訳（メタデータ） (2022-01-14T14:54:58Z)
• NeuroCartography: Scalable Automatic Visual Summarization of Concepts in Deep Neural Networks [18.62960153659548]
  NeuroCartographyは、ニューラルネットワークで学んだ概念を要約し視覚化するインタラクティブシステムである。 同じ概念を検知するニューロンを自動的に発見し、グループ化する。 このようなニューロン群がどのように相互作用し、より高いレベルの概念とその後の予測を形成するかを記述する。
  論文  参考訳（メタデータ） (2021-08-29T22:43:52Z)
• On 1/n neural representation and robustness [13.491651740693705]
  実験で観測された構造をニューラルネットワークに組み込むことで、敵の攻撃に対してより堅牢であることを示す。 本研究は,広いニューラルネットワークとカーネル手法に関する既存の理論を補完するものである。
  論文  参考訳（メタデータ） (2020-12-08T20:34:49Z)
• Compositional Explanations of Neurons [52.71742655312625]
  本稿では, 合成論理的概念を同定し, 深部表現におけるニューロンの説明手順について述べる。 本稿では,視覚と自然言語処理のモデルにおける解釈可能性に関するいくつかの疑問に答えるために,この手順を用いる。
  論文  参考訳（メタデータ） (2020-06-24T20:37:05Z)
• Dark, Beyond Deep: A Paradigm Shift to Cognitive AI with Humanlike Common Sense [142.53911271465344]
  我々は、次世代のAIは、新しいタスクを解決するために、人間のような「暗黒」の常識を取り入れなければならないと論じている。 我々は、人間のような常識を持つ認知AIの5つの中核領域として、機能、物理学、意図、因果性、実用性(FPICU)を識別する。
  論文  参考訳（メタデータ） (2020-04-20T04:07:28Z)

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。