論文の概要: Predictive coding feedback results in perceived illusory contours in a
recurrent neural network
- arxiv url: http://arxiv.org/abs/2102.01955v1
- Date: Wed, 3 Feb 2021 09:07:09 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-04 20:25:30.814953
- Title: Predictive coding feedback results in perceived illusory contours in a
recurrent neural network
- Title（参考訳）: リカレントニューラルネットワークにおける不規則な輪郭知覚の予測的符号化フィードバック
- Authors: Zhaoyang Pang, Callum Biggs O'May, Bhavin Choksi, Rufin VanRullen
- Abstract要約: 脳にインスパイアされたリカレントダイナミクスを備えたディープフィードフォワード畳み込みネットワークを備える。
照明輪郭の知覚にはフィードバック接続が関与する可能性が示唆された。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern feedforward convolutional neural networks (CNNs) can now solve some
computer vision tasks at super-human levels. However, these networks only
roughly mimic human visual perception. One difference from human vision is that
they do not appear to perceive illusory contours (e.g. Kanizsa squares) in the
same way humans do. Physiological evidence from visual cortex suggests that the
perception of illusory contours could involve feedback connections. Would
recurrent feedback neural networks perceive illusory contours like humans? In
this work we equip a deep feedforward convolutional network with brain-inspired
recurrent dynamics. The network was first pretrained with an unsupervised
reconstruction objective on a natural image dataset, to expose it to natural
object contour statistics. Then, a classification decision layer was added and
the model was finetuned on a form discrimination task: squares vs. randomly
oriented inducer shapes (no illusory contour). Finally, the model was tested
with the unfamiliar "illusory contour" configuration: inducer shapes oriented
to form an illusory square. Compared with feedforward baselines, the iterative
"predictive coding" feedback resulted in more illusory contours being
classified as physical squares. The perception of the illusory contour was
measurable in the luminance profile of the image reconstructions produced by
the model, demonstrating that the model really "sees" the illusion. Ablation
studies revealed that natural image pretraining and feedback error correction
are both critical to the perception of the illusion. Finally we validated our
conclusions in a deeper network (VGG): adding the same predictive coding
feedback dynamics again leads to the perception of illusory contours.
- Abstract（参考訳）: 最近のfeedforward convolutional neural networks(cnns)は、スーパーヒューマンレベルでコンピュータビジョンのタスクを解決できる。
しかし、これらのネットワークは人間の視覚知覚を大まかに模倣するだけである。
人間の視覚との1つの違いは、幻想的な輪郭(例えば)を知覚していないことである。
カニッサ広場)人間と同じように。
視覚野からの生理学的証拠は、幻の輪郭の知覚がフィードバック接続を伴う可能性があることを示唆している。
繰り返しフィードバックニューラルネットワークは、人間のような幻の輪郭を知覚するだろうか?
本研究では、脳に触発された反復ダイナミクスを用いたディープフィードフォワード畳み込みネットワークを装備する。
ネットワークは最初、自然画像データセット上の教師なしの再構築目的で事前訓練され、自然オブジェクトの輪郭統計に公開された。
次に、分類決定層を追加し、正方形対無作為なインデューサ形状(照明輪郭なし)という形式識別タスクに基づいてモデルを微調整した。
最後に、モデルは、不慣れな「幻の輪郭」構成でテストされた:誘導体形状は、幻の正方形を形成するように指向。
feedforwardのベースラインと比較すると、反復的な"予測的コーディング"のフィードバックは、より説明的な輪郭を物理的な正方形に分類した。
照明輪郭の知覚は、モデルが生成した画像再構成の輝度プロファイルにおいて測定可能であり、モデルが本当に錯覚を「見る」ことを実証した。
アブレーション研究により、自然画像の事前学習とフィードバックの誤り訂正が錯覚の知覚に重要であることが明らかとなった。
最後に、より深いネットワーク(VGG)で結論を検証しました。同じ予測的コーディングフィードバックダイナミクスを追加すると、再び幻の輪郭の認識につながります。
関連論文リスト
- Investigating the Gestalt Principle of Closure in Deep Convolutional Neural Networks [4.406699323036466]
本研究では,畳み込みニューラルネットワークにおける閉鎖原理について検討する。
端部を段階的に除去した単純な視覚刺激を用いた実験を行った。
我々は、不完全ポリゴンを分類する能力に基づいて、よく知られたネットワークを評価する。
論文 参考訳（メタデータ） (2024-11-01T14:36:21Z) - Emergence of Shape Bias in Convolutional Neural Networks through
Activation Sparsity [8.54598311798543]
現在の物体認識のためのディープラーニングモデルはテクスチャに大きく偏っている。
対照的に、人間の視覚系は形状や構造に偏っていることが知られている。
脳内のユビキタスな原理であるスパースコーディングは、それ自体がネットワークに形状バイアスをもたらす可能性があることを示す。
論文 参考訳（メタデータ） (2023-10-29T04:07:52Z) - Degraded Polygons Raise Fundamental Questions of Neural Network Perception [5.423100066629618]
我々は、30年以上前に人間の視覚の認識・コンポーネント理論で導入された、劣化中の画像の復元作業を再考する。
周辺劣化した正多角形の大規模データセットを高速に生成するための自動形状復元テストを実装した。
この単純なタスクにおけるニューラルネットワークの振舞いは、人間の振舞いと矛盾する。
論文 参考訳（メタデータ） (2023-06-08T06:02:39Z) - Don't trust your eyes: on the (un)reliability of feature visualizations [25.018840023636546]
自然入力上での通常のネットワーク動作から完全に切り離された任意のパターンを示すために、特徴視覚化をトリックする方法を示す。
次に、標準の無人ネットワークで同様の現象が起こる証拠を提供する。
これは機能ビジュアライゼーションの正当性チェックとして使用できる。
論文 参考訳（メタデータ） (2023-06-07T18:31:39Z) - An Extended Study of Human-like Behavior under Adversarial Training [11.72025865314187]
ニューラルネットワークの形状バイアスへのシフトは, 対角訓練によって増加することを示す。
また、周波数の観点からこの現象を説明できる。
論文 参考訳（メタデータ） (2023-03-22T15:47:16Z) - Prune and distill: similar reformatting of image information along rat
visual cortex and deep neural networks [61.60177890353585]
深部畳み込み神経ネットワーク(CNN)は、脳の機能的類似、視覚野の腹側流の優れたモデルを提供することが示されている。
ここでは、CNNまたは視覚野の内部表現で知られているいくつかの顕著な統計的パターンについて考察する。
我々は、CNNと視覚野が、オブジェクト表現の次元展開/縮小と画像情報の再構成と、同様の密接な関係を持っていることを示す。
論文 参考訳（メタデータ） (2022-05-27T08:06:40Z) - NeuralReshaper: Single-image Human-body Retouching with Deep Neural
Networks [50.40798258968408]
本稿では,深部生成ネットワークを用いた単一画像における人体の意味的再構成手法であるNeuralReshaperを提案する。
われわれのアプローチは、まずパラメトリックな3次元人間モデルと元の人間の画像とを適合させるフィッティング・セイン・リフォーム・パイプラインに従う。
ペアデータが存在しないデータ不足に対処するために,ネットワークをトレーニングするための新たな自己教師型戦略を導入する。
論文 参考訳（メタデータ） (2022-03-20T09:02:13Z) - Is Deep Image Prior in Need of a Good Education? [57.3399060347311]
画像再構成に有効な先行画像として, 奥行き画像が導入された。
その印象的な再建性にもかかわらず、学習技術や伝統的な再建技術と比べてアプローチは遅い。
計算課題に対処する2段階の学習パラダイムを開発する。
論文 参考訳（メタデータ） (2021-11-23T15:08:26Z) - Neural Re-Rendering of Humans from a Single Image [80.53438609047896]
本稿では,新しいユーザ定義のポーズと視点の下での人間のニューラルリレンダリング手法を提案する。
私たちのアルゴリズムは、単一の画像から再構築できるパラメトリックメッシュとして体ポーズと形状を表します。
論文 参考訳（メタデータ） (2021-01-11T18:53:47Z) - Compressive sensing with un-trained neural networks: Gradient descent
finds the smoothest approximation [60.80172153614544]
訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。
トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
論文 参考訳（メタデータ） (2020-05-07T15:57:25Z) - Self-Supervised Linear Motion Deblurring [112.75317069916579]
深層畳み込みニューラルネットワークは、画像の劣化の最先端技術である。
本稿では,自己監督型動作遅延に対する識別可能なreblurモデルを提案する。
我々の実験は、自己監督された単一画像の劣化が本当に実現可能であることを実証した。
論文 参考訳（メタデータ） (2020-02-10T20:15:21Z)
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。