論文の概要: SATBench: Benchmarking the speed-accuracy tradeoff in object recognition
by humans and dynamic neural networks
- arxiv url: http://arxiv.org/abs/2206.08427v1
- Date: Thu, 16 Jun 2022 20:03:31 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-20 12:53:27.935485
- Title: SATBench: Benchmarking the speed-accuracy tradeoff in object recognition
by humans and dynamic neural networks
- Title（参考訳）: SATBench:人間と動的ニューラルネットワークによる物体認識における速度精度トレードオフのベンチマーク
- Authors: Ajay Subramanian, Sara Price, Omkar Kumbhar, Elena Sizikova, Najib J.
Majaj, Denis G. Pelli
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 0.45438205344305216
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The core of everyday tasks like reading and driving is active object
recognition. Attempts to model such tasks are currently stymied by the
inability to incorporate time. People show a flexible tradeoff between speed
and accuracy and this tradeoff is a crucial human skill. Deep neural networks
have emerged as promising candidates for predicting peak human object
recognition performance and neural activity. However, modeling the temporal
dimension i.e., the speed-accuracy tradeoff (SAT), is essential for them to
serve as useful computational models for how humans recognize objects. To this
end, we here present the first large-scale (148 observers, 4 neural networks, 8
tasks) dataset of the speed-accuracy tradeoff (SAT) in recognizing ImageNet
images. In each human trial, a beep, indicating the desired reaction time,
sounds at a fixed delay after the image is presented, and observer's response
counts only if it occurs near the time of the beep. In a series of blocks, we
test many beep latencies, i.e., reaction times. We observe that human accuracy
increases with reaction time and proceed to compare its characteristics with
the behavior of several dynamic neural networks that are capable of
inference-time adaptive computation. Using FLOPs as an analog for reaction
time, we compare networks with humans on curve-fit error, category-wise
correlation, and curve steepness, and conclude that cascaded dynamic neural
networks are a promising model of human reaction time in object recognition
tasks.
- Abstract（参考訳）: 読書や運転といった日常的なタスクの中核は、アクティブなオブジェクト認識です。
このようなタスクをモデル化しようという試みは、現在、時間を組み込むことができないことで妨げられている。
人々はスピードと正確さの間に柔軟なトレードオフを示しており、このトレードオフは人間の重要なスキルです。
ディープニューラルネットワークは、人間のオブジェクト認識性能と神経活動のピークを予測する有望な候補として現れてきた。
しかし、時間次元、すなわち速度精度トレードオフ(SAT)をモデル化することは、人間が物体を認識するための有用な計算モデルとして機能することが不可欠である。
この目的のために、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(オブザーバ148、ニューラルネットワーク4、タスク8)を提示する。
人間の実験では、所望の反応時間を示すビープは、画像が提示された後に一定の遅延で音を鳴らし、観察者の応答はビープの時間近くで発生した場合にのみカウントされる。
一連のブロックでは、多数のbeepレイテンシ、すなわち反応時間をテストする。
人間の正確性は反応時間とともに増大し,その特性を推論時間適応計算が可能な複数の動的ニューラルネットワークの挙動と比較する。
FLOPを反応時間のアナログとして用いて、曲線適合誤差、カテゴリー相関、曲線急勾配のネットワークを比較し、カスケードされた動的ニューラルネットワークが物体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付けた。
関連論文リスト
- Temporal Spiking Neural Networks with Synaptic Delay for Graph Reasoning [91.29876772547348]
スパイキングニューラルネットワーク(SNN)は、生物学的にインスパイアされたニューラルネットワークモデルとして研究されている。
本稿では,SNNがシナプス遅延と時間符号化とを併用すると,グラフ推論の実行(知識)に長けていることを明らかにする。
論文 参考訳（メタデータ） (2024-05-27T05:53:30Z) - A Dynamical Model of Neural Scaling Laws [79.59705237659547]
ネットワークトレーニングと一般化の解決可能なモデルとして,勾配降下で訓練されたランダムな特徴モデルを分析する。
我々の理論は、データの繰り返し再利用により、トレーニングとテスト損失のギャップが徐々に増大することを示している。
論文 参考訳（メタデータ） (2024-02-02T01:41:38Z) - Temporal Conditioning Spiking Latent Variable Models of the Neural
Response to Natural Visual Scenes [29.592870472342337]
本研究は, 時間条件付潜時変動モデル(TeCoS-LVM)を提示し, 自然視覚刺激に対する神経応答をシミュレートする。
スパイクニューロンを使用して、記録された列車と直接一致するスパイク出力を生成します。
我々は,TeCoS-LVMモデルにより,よりリアルなスパイク活動が生成され,強力な代替手段よりも正確なスパイク統計に適合することを示す。
論文 参考訳（メタデータ） (2023-06-21T06:30:18Z) - 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) - ViT-ReT: Vision and Recurrent Transformer Neural Networks for Human
Activity Recognition in Videos [6.117917355232902]
本稿では,人間行動認識のための2つのトランスフォーマーニューラルネットワークを提案し,設計する。
ReT(Recurrent Transformer)は、データのシーケンスの予測に使用される特殊なニューラルネットワークであり、ViT(Vision Transformer)は画像から有能な特徴を抽出するために最適化されたビジョントランスである。
我々は,提案するトランスフォーマーニューラルネットワークと,現在のCNNおよびRNNに基づく人間活動認識モデルとの比較を,速度と精度の観点から行った。
論文 参考訳（メタデータ） (2022-08-16T20:03:53Z) - SpikiLi: A Spiking Simulation of LiDAR based Real-time Object Detection
for Autonomous Driving [0.0]
Spiking Neural Networksは、電力効率、計算効率、処理遅延を大幅に改善する新しいニューラルネットワーク設計アプローチである。
まず,複雑なディープラーニングタスク,すなわちLidarベースの3Dオブジェクト検出による自動運転への適用性について説明する。
論文 参考訳（メタデータ） (2022-06-06T20:05:17Z) - Ensemble perspective for understanding temporal credit assignment [1.9843222704723809]
繰り返しニューラルネットワークにおける各接続は、正確な重み値ではなく、スパイクとスラブの分布によってモデル化されていることを示す。
本モデルでは,ネットワーク全体の性能を決定する重要な接続を明らかにする。
したがって、再帰的なニューラルネットワークにおける時間的クレジット割り当てをアンサンブルの観点から研究することを約束している。
論文 参考訳（メタデータ） (2021-02-07T08:14:05Z) - Anytime Prediction as a Model of Human Reaction Time [0.0]
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。
論文 参考訳（メタデータ） (2020-11-25T16:30:52Z) - 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) - Event-based Asynchronous Sparse Convolutional Networks [54.094244806123235]
イベントカメラはバイオインスパイアされたセンサーで、非同期でスパースな「イベント」の形で画素ごとの明るさ変化に反応する。
同期画像のようなイベント表現で訓練されたモデルを、同じ出力を持つ非同期モデルに変換するための一般的なフレームワークを提案する。
理論的および実験的に、これは高容量同期ニューラルネットワークの計算複雑性と遅延を大幅に減少させることを示す。
論文 参考訳（メタデータ） (2020-03-20T08:39:49Z)
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。