論文の概要: Object Detection, Recognition, Deep Learning, and the Universal Law of Generalization

• arxiv url: http://arxiv.org/abs/2206.05365v1
• Date: Fri, 10 Jun 2022 22:26:29 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-14 13:37:11.332669
• Title: Object Detection, Recognition, Deep Learning, and the Universal Law of Generalization
• Title（参考訳）: 物体検出・認識・深層学習・一般化の普遍法則
• Authors: Faris B. Rustom, Haluk \"O\u{g}men, Arash Yazdanbakhsh
• Abstract要約: 普遍一般化法則(Universal Law of Generalization)は、一般化が様々な種やタスクにまたがる同様の性質に従うという証拠を提供する。 一般化の根底にある内部表現は、我々の環境における物体の検出と認識の自然な性質を反映しているという仮説を検証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection and recognition are fundamental functions underlying the success of species. Because the appearance of an object exhibits a large variability, the brain has to group these different stimuli under the same object identity, a process of generalization. Does the process of generalization follow some general principles or is it an ad-hoc "bag-of-tricks"? The Universal Law of Generalization provided evidence that generalization follows similar properties across a variety of species and tasks. Here we test the hypothesis that the internal representations underlying generalization reflect the natural properties of object detection and recognition in our environment rather than the specifics of the system solving these problems. By training a deep-neural-network with images of "clear" and "camouflaged" animals, we found that with a proper choice of category prototypes, the generalization functions are monotone decreasing, similar to the generalization functions of biological systems. Our findings support the hypothesis of the study.
• Abstract（参考訳）: 物体の検出と認識は、種の成功の基礎となる基本的な機能である。 物体の外観は大きな可変性を示すため、脳は同じ物体の同一性の下でこれらの異なる刺激をグループ化しなければならない。 一般化のプロセスは、いくつかの一般的な原則に従うだろうか? 一般化の普遍法則は、一般化が様々な種やタスクにわたって同様の性質に従うことを証明した。 そこで本研究では, 一般化の基礎となる内部表現が, 対象検出と認識の自然性を反映しているという仮説を検証した。 動物の"クリア"と"カモフラージュ"のイメージで深層神経ネットワークを訓練することで、カテゴリプロトタイプの適切な選択により、一般化関数は単調に減少し、生物学的システムの一般化関数と類似していることが分かった。 我々の結果は研究の仮説を支持している。

関連論文リスト

• Disentangling Representations through Multi-task Learning [0.0]
  分類タスクを最適に解決するエージェントにおいて,不整合表現の出現を保証する実験および理論的結果を提供する。 マルチタスク分類を訓練したRNNにおいて,これらの予測を実験的に検証した。 私たちは、トランスフォーマーが特に、そのユニークな世界理解能力を説明するような、無関係な表現に向いていることに気付きました。
  論文  参考訳（メタデータ） (2024-07-15T21:32:58Z)
• Generalization properties of contrastive world models [10.806958747213976]
  我々は、対照的な世界モデルの一般化特性について広範な研究を行う。 実験の結果, 異なるOODテストの下では, 対照的な世界モデルでは一般化できないことがわかった。 我々の研究は、一般化のためのオブジェクト中心表現の重要性を強調し、現在のモデルは人間レベルの一般化に必要な表現を学習する能力に制限されている。
  論文  参考訳（メタデータ） (2023-12-29T19:25:34Z)
• Provable Compositional Generalization for Object-Centric Learning [55.658215686626484]
  既知の概念の新規な構成に一般化する学習表現は、人間と機械の知覚のギャップを埋めるのに不可欠である。 本稿では,デコーダの構造的仮定を満足し,エンコーダとデコーダの整合性を強制するオートエンコーダが,構成を確実に一般化するオブジェクト中心表現を学習することを示す。
  論文  参考訳（メタデータ） (2023-10-09T01:18:07Z)
• Vector-based Representation is the Key: A Study on Disentanglement and Compositional Generalization [77.57425909520167]
  良質な概念認識と斬新な概念構成を両立させることが可能であることを示す。 本研究では,スカラーベース・アンタングル化作業のベクトルベース化を図り,両機能を向上する手法を提案する。
  論文  参考訳（メタデータ） (2023-05-29T13:05:15Z)
• How Do In-Context Examples Affect Compositional Generalization? [86.57079616209474]
  本稿では,コンテクスト内構成一般化を検証するためのテストスイートであるCoFeを提案する。 構成一般化性能は、文脈内例の選択によって容易に影響を受けることが判明した。 我々の系統実験は、文脈内サンプルは、テストケースと構造的に似ており、互いに異なっており、個別に単純であることを示します。
  論文  参考訳（メタデータ） (2023-05-08T16:32:18Z)
• On the Complexity of Bayesian Generalization [141.21610899086392]
  我々は、多様かつ自然な視覚スペクトルにおいて、概念一般化を大規模に考える。 問題空間が大きくなると、2つのモードが研究され、$complexity$が多様になる。
  論文  参考訳（メタデータ） (2022-11-20T17:21:37Z)
• Highlighting Object Category Immunity for the Generalization of Human-Object Interaction Detection [49.40372168524452]
  異なるオブジェクトと同一動詞の合成における性能ギャップを評価するために, mPD (mean Performance Degradation) という新しい指標を提案する。 mPD をキューとして,HOI の一般化を促進するために Object Category (OC) Immunity を提案する。 OC免疫性を実現するために,OC免疫の入力を分離し,OC免疫表現を抽出し,不確実性を利用して未確認物体に一般化するOC免疫ネットワークを提案する。
  論文  参考訳（メタデータ） (2022-02-19T02:08:50Z)
• A Self-Supervised Framework for Function Learning and Extrapolation [1.9374999427973014]
  本稿では,学習者が一般化を支援する表現を取得するためのフレームワークを提案する。 得られた表現は、教師なし時系列学習において、他のモデルよりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-14T12:41:03Z)
• Analysis of Dominant Classes in Universal Adversarial Perturbations [1.160208922584163]
  文献で報告されている普遍的摂動現象について検討するが,その正当性は証明されていない。 普遍摂動は、ほとんどの入力の予測クラスを、摂動の生成時にこの振る舞いが特定されない場合でも、一つの特定の(支配的な)クラスに変化させることを示す。 本研究は,普遍摂動の興味深い性質を明らかにし,そのような攻撃を発生させる新しい手法を提案し,支配的クラスを説明する。
  論文  参考訳（メタデータ） (2020-12-28T16:42:46Z)
• Hierarchical Relational Inference [80.00374471991246]
  本稿では,物体を局所的に独立に振る舞うが,よりグローバルに一括して振る舞う部分の階層としてモデル化する物理推論手法を提案する。 従来の手法とは異なり,本手法は生画像から直接教師なしの方法で学習する。 複数のレベルの抽象化を明確に区別し、合成ビデオと実世界のビデオのモデリングにおいて、強力なベースラインを超えて改善する。
  論文  参考訳（メタデータ） (2020-10-07T20:19:10Z)

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。