論文の概要: Relating CNNs with brain: Challenges and findings

• arxiv url: http://arxiv.org/abs/2108.09768v1
• Date: Sun, 22 Aug 2021 16:01:59 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-25 01:03:45.399497
• Title: Relating CNNs with brain: Challenges and findings
• Title（参考訳）: cnnと脳の関係--課題と知見
• Authors: Reem Abdel-Salam
• Abstract要約: 従来のニューラルネットワークモデル(CNN)は、視覚野の神経反応を予測することが示されている。 本稿では,視覚野と脳全体の神経反応を予測するための課題と方法について概説する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Conventional neural network models (CNN), loosely inspired by the primate visual system, have been shown to predict neural responses in the visual cortex. However, the relationship between CNNs and the visual system is incomplete due to many reasons. On one hand state of the art CNN architecture is very complex, yet can be fooled by imperceptibly small, explicitly crafted perturbations which makes it hard difficult to map layers of the network with the visual system and to understand what they are doing. On the other hand, we don't know the exact mapping between feature space of the CNNs and the space domain of the visual cortex, which makes it hard to accurately predict neural responses. In this paper we review the challenges and the methods that have been used to predict neural responses in the visual cortex and whole brain as part of The Algonauts Project 2021 Challenge: "How the Human Brain Makes Sense of a World in Motion".
• Abstract（参考訳）: 霊長類視覚系に緩やかに触発された従来のニューラルネットワークモデル(cnn)は、視覚野の神経反応を予測することが示されている。 しかし、cnnと視覚システムの関係は、多くの理由により不完全である。 一方、最先端のCNNアーキテクチャは非常に複雑ですが、知覚的に小さく、明確に構築された摂動によって騙されるため、ネットワークのレイヤを視覚システムにマッピングし、彼らが何をしているのかを理解するのが難しくなります。 一方で、cnnの特徴空間と視覚野の空間領域の間の正確なマッピングが分からないため、神経反応を正確に予測することは困難である。 本稿では,Algonauts Project 2021 Challenge: "How the Human Brain Makes Sense of a World in Motion" の一環として,視覚野と脳全体の神経反応を予測するための課題と方法について述べる。

関連論文リスト

• Simple and Effective Transfer Learning for Neuro-Symbolic Integration [50.592338727912946]
  この問題の潜在的な解決策はNeuro-Symbolic Integration (NeSy)であり、ニューラルアプローチとシンボリック推論を組み合わせる。 これらの手法のほとんどは、認識をシンボルにマッピングするニューラルネットワークと、下流タスクの出力を予測する論理的論理的推論を利用する。 それらは、緩やかな収束、複雑な知覚タスクの学習困難、局所的なミニマへの収束など、いくつかの問題に悩まされている。 本稿では,これらの問題を改善するための簡易かつ効果的な方法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T15:51:01Z)
• Hebbian Learning based Orthogonal Projection for Continual Learning of Spiking Neural Networks [74.3099028063756]
  我々は,側方接続とヘビアン学習に基づくニューラル操作を用いた新しい手法を開発した。 我々は,反復する側方接続におけるヘビアン学習と反ヘビアン学習が,神経活動の主部分空間を効果的に抽出できることを示した。 我々の手法は、ほとんど忘れることなくニューラルネットワークをスパイクするために一貫して解決する。
  論文  参考訳（メタデータ） (2024-02-19T09:29:37Z)
• Global-Local Processing in Convolutional Neural Networks [9.05607520128194]
  畳み込みニューラルネットワーク(CNN)は、画像処理の課題において優れたパフォーマンスを実現している。 CNNは局所的な特徴に非常に偏りがあり、入力のグローバルな側面を検知できないことが研究されている。 人間の瞳孔の無意識行動に触発された,シンプルで効果的な解法を提案する。
  論文  参考訳（メタデータ） (2023-06-14T08:08:08Z)
• Performance-optimized deep neural networks are evolving into worse models of inferotemporal visual cortex [8.45100792118802]
  深部ニューラルネットワーク(DNN)の物体認識精度は,非時間的(IT)大脳皮質の自然画像に対する神経応答を予測する能力と相関することを示した。 この結果から,高調波DNNは画像ネット精度とニューラル予測精度のトレードオフを断ち切ることが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T15:34:45Z)
• Probing neural representations of scene perception in a hippocampally dependent task using artificial neural networks [1.0312968200748116]
  バックプロパゲーションによって訓練されたディープ人工ニューラルネットワーク(DNN)は、哺乳類の視覚システムの効果的なモデルを提供する。 本稿では,海馬依存型課題に触発されたシーン認識ベンチマークについて述べる。 側頭葉構造と海馬の接続性に着想を得たネットワークアーキテクチャを用いて,三重項損失を用いて訓練したDNNが,この課題を学習できることを実証した。
  論文  参考訳（メタデータ） (2023-03-11T10:26:25Z)
• Models Developed for Spiking Neural Networks [0.5801044612920815]
  スパイキングニューラルネットワーク(SNN)は長い間存在しており、脳のダイナミクスを理解するために研究されてきた。 本研究では,画像分類タスクにおけるSNNの構造と性能について検討した。 比較は、これらのネットワークがより複雑な問題に対して優れた能力を示すことを示している。
  論文  参考訳（メタデータ） (2022-12-08T16:18:53Z)
• Adapting Brain-Like Neural Networks for Modeling Cortical Visual Prostheses [68.96380145211093]
  皮質補綴は視覚野に移植された装置で、電気的にニューロンを刺激することで失った視力を回復しようとする。 現在、これらのデバイスが提供する視覚は限られており、刺激による視覚知覚を正確に予測することはオープンな課題である。 我々は、視覚システムの有望なモデルとして登場した「脳様」畳み込みニューラルネットワーク(CNN)を活用することで、この問題に対処することを提案する。
  論文  参考訳（メタデータ） (2022-09-27T17:33:19Z)
• 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)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Convolutional Neural Networks as a Model of the Visual System: Past, Present, and Future [0.0]
  畳み込みニューラルネットワーク(CNN)は、生物学的視覚の研究の初期の発見に触発された。 CNNはその後、コンピュータビジョンと、視覚タスクにおける神経活動と行動の両方の最先端モデルにおいて、成功したツールとなった。
  論文  参考訳（メタデータ） (2020-01-20T13:04:37Z)

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。