論文の概要: Anytime Prediction as a Model of Human Reaction Time
- arxiv url: http://arxiv.org/abs/2011.12859v1
- Date: Wed, 25 Nov 2020 16:30:52 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 02:20:46.505161
- Title: Anytime Prediction as a Model of Human Reaction Time
- Title(参考訳): 人間の反応時間モデルとしての時間予測
- Authors: Omkar Kumbhar, Elena Sizikova, Najib Majaj, Denis G. Pelli
- Abstract要約: 分類ネットワークにおけるヒトの反応時間に及ぼす難易度の影響について検討する。
ネットワーク等価入力ノイズSDは人間より15倍高く, ネットワークの効率はわずか0.6%であることがわかった。
認識タスクにおける人間の反応時間に対する有望なモデルとして,Anytime分類が重要であると結論づける。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Neural networks today often recognize objects as well as people do, and thus
might serve as models of the human recognition process. However, most such
networks provide their answer after a fixed computational effort, whereas human
reaction time varies, e.g. from 0.2 to 10 s, depending on the properties of
stimulus and task. To model the effect of difficulty on human reaction time, we
considered a classification network that uses early-exit classifiers to make
anytime predictions. Comparing human and MSDNet accuracy in classifying
CIFAR-10 images in added Gaussian noise, we find that the network equivalent
input noise SD is 15 times higher than human, and that human efficiency is only
0.6\% that of the network. When appropriate amounts of noise are present to
bring the two observers (human and network) into the same accuracy range, they
show very similar dependence on duration or FLOPS, i.e. very similar
speed-accuracy tradeoff. We conclude that Anytime classification (i.e. early
exits) is a promising model for human reaction time in recognition tasks.
- Abstract(参考訳): 今日のニューラルネットワークは、人間と同様に物体を認識することが多く、それゆえ人間の認識プロセスのモデルとして機能する可能性がある。
しかし、そのようなネットワークの多くは、一定の計算努力の後に答えを提供するが、人間の反応時間は、例えば、刺激とタスクの性質によって、0.2秒から10秒まで変化する。
難易度がヒトの反応時間に及ぼす影響をモデル化するために,早期抽出型分類器を用いて任意の時間予測を行う分類ネットワークを検討した。
付加ガウス雑音におけるCIFAR-10画像の分類における人間とMSDNetの精度を比較すると、ネットワーク等価入力ノイズSDは人間よりも15倍高く、ネットワークの効率はわずか0.6\%であることがわかった。
適切なノイズが2人の観測者(人間とネットワーク)を同じ精度範囲に導く場合、それらは持続時間やフラップ、すなわち非常に類似した速度-精度トレードオフに依存する。
任意の時間分類(すなわち早期終了)は、認識タスクにおける人間の反応時間の有望なモデルであると結論づける。
関連論文リスト
- How neural networks learn to classify chaotic time series [77.34726150561087]
本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。
入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
論文 参考訳(メタデータ) (2023-06-04T08:53:27Z) - Continuous time recurrent neural networks: overview and application to
forecasting blood glucose in the intensive care unit [56.801856519460465]
連続時間自己回帰リカレントニューラルネットワーク(Continuous Time Autoregressive Recurrent Neural Network, CTRNN)は、不規則な観測を考慮に入れたディープラーニングモデルである。
重篤なケア環境下での血糖値の確率予測へのこれらのモデルの適用を実証する。
論文 参考訳(メタデータ) (2023-04-14T09:39:06Z) - MGADN: A Multi-task Graph Anomaly Detection Network for Multivariate
Time Series [0.0]
時系列の異常検出,特に多変量時系列(複数センサ付き時系列)は,ここ数年にわたって注目されてきた。
ニューラルネットワークを含む既存の方法は、タイムスタンプの観点からのみ、関係に集中する。
提案手法では,グラフニューラルネットワークから派生したGATを用いて,センサ間の接続を求める。
また,VAE(Variational Auto-Encoder)による予測損失と復元損失を両立させる手法も提案している。
論文 参考訳(メタデータ) (2022-11-22T10:17:42Z) - Portuguese Man-of-War Image Classification with Convolutional Neural
Networks [58.720142291102135]
ポルトガルマン・オブ・ウォー(ポルトガル語: Man-of-war、PMW)は、長い触手を持つゼラチン質の生物である。
本稿では,InstagramのソーシャルメディアからPMW画像を認識するための畳み込みニューラルネットワークの利用について報告する。
論文 参考訳(メタデータ) (2022-07-04T03:06:45Z) - SATBench: Benchmarking the speed-accuracy tradeoff in object recognition
by humans and dynamic neural networks [0.45438205344305216]
人々はスピードと正確さの間の柔軟なトレードオフを示しています。
ImageNet画像の認識において、SAT(Speed-accuracy Tradeoff)の最初の大規模データセットを示す。
我々は,曲線適合誤差,カテゴリー相関,曲線急勾配について,人とのネットワークを比較した。
論文 参考訳(メタデータ) (2022-06-16T20:03:31Z) - STAR: Sparse Transformer-based Action Recognition [61.490243467748314]
本研究は,空間的次元と時間的次元に細かな注意を払っている新しいスケルトンに基づく人間行動認識モデルを提案する。
実験により、トレーニング可能なパラメータをはるかに少なくし、トレーニングや推論の高速化を図りながら、モデルが同等のパフォーマンスを達成できることが示されている。
論文 参考訳(メタデータ) (2021-07-15T02:53:11Z) - Partial success in closing the gap between human and machine vision [30.78663978510427]
数年前、最初のCNNがImageNetで人間のパフォーマンスを上回った。
人間のビジョンとマシンビジョンのギャップを埋める作業は進んでいますか?
我々は、広範囲なアウト・オブ・ディストリビューション(OOD)データセット上で、人間のオブザーバをテストした。
論文 参考訳(メタデータ) (2021-06-14T13:23:35Z) - GPRAR: Graph Convolutional Network based Pose Reconstruction and Action
Recognition for Human Trajectory Prediction [1.2891210250935146]
既存の予測モデルは、観察がしばしば騒がしい現実世界の設定でエラーを起こしやすい。
GPRARは、人間の軌道予測のためのグラフ畳み込みネットワークベースのポーズ再構築とアクション認識です。
JAADおよびTITANデータセットのノイズ観測により,GPRARは予測精度を最大22%,50%向上させることを示した。
論文 参考訳(メタデータ) (2021-03-25T20:12:14Z) - Fast Motion Understanding with Spatiotemporal Neural Networks and
Dynamic Vision Sensors [99.94079901071163]
本稿では,高速な動きを推論するための動的視覚センサ(DVS)システムを提案する。
ロボットが15m/s以上の速度で接近する小さな物体に反応するケースを考察する。
我々は,23.4m/sで24.73degの誤差を$theta$,18.4mmの平均離散半径予測誤差,衝突予測誤差に対する25.03%の中央値で移動した玩具ダートについて,本システムの結果を強調した。
論文 参考訳(メタデータ) (2020-11-18T17:55:07Z) - Probing Predictions on OOD Images via Nearest Categories [97.055916832257]
ニューラルネットワークが未確認のクラスや破損したイメージから画像を分類する際のアウト・オブ・ディストリビューション(OOD)予測挙動について検討する。
我々は、トレーニングセットにおいて、最も近い隣人と同じラベルで分類されたOOD入力の分数を計算するため、新しい測度、最も近いカテゴリ一般化(NCG)を導入する。
我々は、OODデータがロバストネス半径よりも遥かに遠くにある場合でも、ロバストネットワークは自然訓練よりも一貫してNCG精度が高いことを発見した。
論文 参考訳(メタデータ) (2020-11-17T07:42:27Z) - Dynamic Time Warping as a New Evaluation for Dst Forecast with Machine
Learning [0.0]
ニューラルネットワークをトレーニングして、発生時刻の暴風雨時指数を1時間から6時間まで予測する。
相関係数とRMSEによるモデルの結果の検査により,最新の論文に匹敵する性能を示した。
2つの時系列が互いに時間的にずれているかどうかを測定するために,新しい手法を提案する。
論文 参考訳(メタデータ) (2020-06-08T15:14:13Z)
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。