論文の概要: Rabbit, toad, and the Moon: Can machine categorize them into one class?

• arxiv url: http://arxiv.org/abs/2203.16163v1
• Date: Wed, 30 Mar 2022 09:24:52 GMT
• ステータス: 処理完了
• システム内更新日: 2022-03-31 23:21:55.501507
• Title: Rabbit, toad, and the Moon: Can machine categorize them into one class?
• Title（参考訳）: Rabbit, toad, and the Moon: マシンはそれらをひとつのクラスに分類できますか?
• Authors: Daigo Shoji
• Abstract要約: 最近の機械学習アルゴリズムは、ビデオフレーム内のオブジェクトを高精度に分類することができる。 本稿では, ウサギ, ヒツジ, ムーンの関連性について, 基礎的動的パターンに基づく分類について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent machine learning algorithms such as neural networks can classify objects and actions in video frames with high accuracy. Here, I discuss a classification of objects based on basal dynamic patterns referencing one tradition, the link between rabbit, toad, and the Moon, which can be seen in several cultures. In order for them to be classified into one class, a basic pattern of behavior (cyclic appearance and disappearance) works as a feature point. A static character such as the shape and time scale of the behavior are not essential for this classification. In cognitive semantics, image schemas are introduced to describe basal patterns of events. If learning of these image schemas is attained, a machine may be able to categorize rabbit, toad, and the Moon as the same class. For learning, video frames that show boundary boxes or segmentation may be helpful. Although this discussion is preliminary and many tasks remain to be solved, the classification based on basal behaviors can be an important topic for cognitive processes and computer science.
• Abstract（参考訳）: 最近のニューラルネットワークのような機械学習アルゴリズムは、高い精度でビデオフレーム内のオブジェクトやアクションを分類することができる。 ここでは, ウサギ, ヒツジ, ムーンの相互関係を基準とした基礎的動的パターンに基づく物体の分類について論じ, いくつかの文化で見られる。 1つのクラスに分類するためには、基本的な行動パターン(周期的な出現と消失)が特徴点として機能する。 この分類には、行動の形状や時間スケールのような静的な文字は必須ではない。 認知意味論では、イベントの基底パターンを記述するために画像スキーマが導入される。 これらの画像スキーマを学習できれば、マシンは同じクラスとしてウサギ、トカゲ、月を分類することができる。 学習には境界ボックスやセグメンテーションを示すビデオフレームが有用かもしれない。 この議論は予備的であり、多くの課題が未解決のままであるが、基礎的行動に基づく分類は認知過程やコンピュータ科学にとって重要なトピックである。

関連論文リスト

• Convolutional Neural Networks for Automated Cellular Automaton Classification [0.0]
  コンピュータビジョン技術を用いて、5つのLi-Packardクラスに小セルオートマトンの自動分類を行う。 まず、これまで開発されたディープラーニングアプローチが、実際にローカル更新ルールを特定するために訓練されていることを示す。 次に、行動クラスを特定するのにほぼ完全に機能する畳み込みニューラルネットワークを示す。
  論文  参考訳（メタデータ） (2024-09-04T14:21:00Z)
• Beyond One-Hot-Encoding: Injecting Semantics to Drive Image Classifiers [3.0969191504482247]
  画像分類のための機械学習モデルをトレーニングするために、セマンティック・エンリッチ・ロスを利用する方法を示す。 正確さ、不確実性、内部表現の学習の間のトレードオフを分析します。 このアプローチは、説明可能性と敵対的堅牢性の観点からさらに活用することができる。
  論文  参考訳（メタデータ） (2023-08-01T15:34:02Z)
• Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
  実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。 本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-03T10:41:34Z)
• Neural Network based Formation of Cognitive Maps of Semantic Spaces and the Emergence of Abstract Concepts [7.909848251752742]
  特徴ベクトルとして符号化された32種類の動物種に基づいて意味空間の認知マップを学習するニューラルネットワークを提案する。 ネットワークは、後継表現の原理に基づいて、約30%の精度で「アニマル空間」の認知マップを構築する。 微粒な認知地図では、動物ベクターは特徴空間に均等に分布している。対照的に、粗粒の地図では、動物ベクターは生物学的階級に応じて高度にクラスター化されている。
  論文  参考訳（メタデータ） (2022-10-28T11:16:33Z)
• Semantic Clustering based Deduction Learning for Image Recognition and Classification [19.757743366620613]
  本稿では,人間の脳の学習・思考過程を模倣した意味的クラスタリングに基づく推論学習を提案する。 提案手法は広範な実験を通じて理論的,実証的に支持される。
  論文  参考訳（メタデータ） (2021-12-25T01:31:21Z)
• SEGA: Semantic Guided Attention on Visual Prototype for Few-Shot Learning [85.2093650907943]
  機械に新しいカテゴリーを認識させるためのセマンティックガイド注意(SEGA)を提案する。 SEGAは意味的知識を使用して、視覚的特徴に注意を払うべきものについて、トップダウンの方法で視覚的知覚を導く。 セマンティックガイドによる注意は期待された機能を実現し、最先端の結果より優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-08T08:03:44Z)
• Attribute Propagation Network for Graph Zero-shot Learning [57.68486382473194]
  属性伝達ネットワーク (APNet) を導入し, 1) クラス毎に属性ベクトルを生成するグラフ伝搬モデルと, 2) パラメータ化隣人 (NN) 分類器から構成する。 APNetは、2つのゼロショット学習設定と5つのベンチマークデータセットによる実験で、魅力的なパフォーマンスまたは新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2020-09-24T16:53:40Z)
• Understanding the Role of Individual Units in a Deep Neural Network [85.23117441162772]
  本稿では,画像分類と画像生成ネットワーク内の隠れ単位を系統的に同定する分析フレームワークを提案する。 まず、シーン分類に基づいて訓練された畳み込みニューラルネットワーク(CNN)を分析し、多様なオブジェクト概念にマッチするユニットを発見する。 第2に、シーンを生成するために訓練されたGANモデルについて、同様の分析手法を用いて分析する。
  論文  参考訳（メタデータ） (2020-09-10T17:59:10Z)
• Fine-Grain Few-Shot Vision via Domain Knowledge as Hyperspherical Priors [79.22051549519989]
  プロトタイプネットワークは、コンピュータビジョンにおいて、数ショットの学習タスクでうまく機能することが示されている。 ドメイン知識を情報的先行要素として取り入れつつ,クラスを最大限に分離することで,数発の微粒化を実現する方法を示す。
  論文  参考訳（メタデータ） (2020-05-23T02:10:57Z)
• Multilayer Dense Connections for Hierarchical Concept Classification [3.6093339545734886]
  同じCNNで階層的な順序でカテゴリとその概念上のスーパークラスを同時予測するための多層密接続を提案する。 提案するネットワークは,複数のデータセットにおいて既存のアルゴリズムよりも粗いスーパークラスと細かなカテゴリの両方を同時に予測できることを実験的に実証した。
  論文  参考訳（メタデータ） (2020-03-19T20:56:09Z)
• Rethinking Class Relations: Absolute-relative Supervised and Unsupervised Few-shot Learning [157.62595449130973]
  本稿では,現在の数ショット学習法における単純化型クラスモデリングの基本的問題について検討する。 本稿では,ラベル情報をフル活用して画像表現を洗練するための,絶対相対学習パラダイムを提案する。
  論文  参考訳（メタデータ） (2020-01-12T12:25:46Z)

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。