論文の概要: Brain informed transfer learning for categorizing construction hazards

• arxiv url: http://arxiv.org/abs/2211.12420v1
• Date: Thu, 17 Nov 2022 19:41:04 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 13:09:11.059408
• Title: Brain informed transfer learning for categorizing construction hazards
• Title（参考訳）: 脳情報伝達学習による建設危険の分類
• Authors: Xiaoshan Zhou and Pin-Chao Liao
• Abstract要約: この研究は、市販の脳-コンピュータインターフェースを通じて記録された人間の脳信号から学習することで、機械学習アルゴリズムを改善するためのステップである。 より一般化された視覚認識システムは、この「ループ内の人間」のアプローチに基づいて効果的に開発することができる。
• 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: A transfer learning paradigm is proposed for "knowledge" transfer between the human brain and convolutional neural network (CNN) for a construction hazard categorization task. Participants' brain activities are recorded using electroencephalogram (EEG) measurements when viewing the same images (target dataset) as the CNN. The CNN is pretrained on the EEG data and then fine-tuned on the construction scene images. The results reveal that the EEG-pretrained CNN achieves a 9 % higher accuracy compared with a network with same architecture but randomly initialized parameters on a three-class classification task. Brain activity from the left frontal cortex exhibits the highest performance gains, thus indicating high-level cognitive processing during hazard recognition. This work is a step toward improving machine learning algorithms by learning from human-brain signals recorded via a commercially available brain-computer interface. More generalized visual recognition systems can be effectively developed based on this approach of "keep human in the loop".
• Abstract（参考訳）: ヒト脳と畳み込みニューラルネットワーク(CNN)間の「知識」の伝達には,建設危険分類作業のための伝達学習パラダイムが提案されている。 参加者の脳活動は、CNNと同じ画像(ターゲットデータセット)を見る際に脳波測定(EEG)を用いて記録される。 CNNは、EEGデータに基づいて事前訓練され、建設シーンの画像に基づいて微調整される。 その結果,脳波予測CNNは,同一アーキテクチャのネットワークに比べて9パーセント高い精度で3クラス分類タスクにおいてランダムに初期化パラメータを実現することがわかった。 左前頭皮質からの脳活動は、最高のパフォーマンスを示し、ハザード認識における高いレベルの認知処理を示す。 この研究は、市販の脳-コンピュータインターフェースを通じて記録された人間の脳信号から学習することで、機械学習アルゴリズムを改善するためのステップである。 より一般的な視覚認識システムは、"keep human in the loop"のこのアプローチに基づいて効果的に開発することができる。

関連論文リスト

• Knowledge-Guided Prompt Learning for Lifespan Brain MR Image Segmentation [53.70131202548981]
  本稿では,脳MRIにKGPL(Knowledge-Guided Prompt Learning)を用いた2段階のセグメンテーションフレームワークを提案する。 具体的には,大規模データセットと準最適ラベルを用いたトレーニング前セグメンテーションモデルについて述べる。 知識的プロンプトの導入は、解剖学的多様性と生物学的プロセスの間の意味的関係を捉えている。
  論文  参考訳（メタデータ） (2024-07-31T04:32:43Z)
• Unsupervised representation learning with Hebbian synaptic and structural plasticity in brain-like feedforward neural networks [0.0]
  教師なし表現学習が可能な脳様ニューラルネットワークモデルを導入,評価する。 このモデルは、一般的な機械学習ベンチマークのさまざまなセットでテストされた。
  論文  参考訳（メタデータ） (2024-06-07T08:32:30Z)
• Alleviating Catastrophic Forgetting in Facial Expression Recognition with Emotion-Centered Models [49.3179290313959]
  感情中心型生成的リプレイ (ECgr) は, 生成的対向ネットワークから合成画像を統合することで, この課題に対処する。 ECgrは、生成された画像の忠実性を保証するために品質保証アルゴリズムを組み込んでいる。 4つの多様な表情データセットに対する実験結果から,擬似リハーサル法により生成されたイメージを組み込むことで,ターゲットとするデータセットとソースデータセットのトレーニングが促進されることが示された。
  論文  参考訳（メタデータ） (2024-04-18T15:28:34Z)
• Decoding visual brain representations from electroencephalography through Knowledge Distillation and latent diffusion models [0.12289361708127873]
  本稿では,脳波(EEG)データを用いて,ImageNetデータセットから画像の分類と再構成を行う革新的な手法を提案する。 我々は6人の被験者の脳波記録を分析し、それぞれ40のユニークな意味カテゴリーにまたがる50の画像に暴露した。 我々は,事前学習した潜伏拡散モデルに基づく画像再構成機構を導入し,脳波を誘発した画像の推定を可能とした。
  論文  参考訳（メタデータ） (2023-09-08T09:13:50Z)
• Classification of EEG Motor Imagery Using Deep Learning for Brain-Computer Interface Systems [79.58173794910631]
  トレーニングされたT1クラス畳み込みニューラルネットワーク(CNN)モデルを使用して、運動画像の識別を成功させる能力を調べる。 理論的には、モデルが正確にトレーニングされた場合、クラスを特定し、それに従ってラベル付けすることが可能になる。 CNNモデルは復元され、より小さなサンプルデータを使用して同じ種類の運動画像データを特定するために使用される。
  論文  参考訳（メタデータ） (2022-05-31T17:09:46Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• EEG-based Classification of Drivers Attention using Convolutional Neural Network [0.0]
  本研究は、参加者の脳活動に基づいて訓練された注意分類器の性能を比較した。 審美的フィードバック下で得られた生脳波データに基づいて訓練したCNNモデルは,89%の精度を達成できた。 この結果から,CNNおよび生脳波信号は受動的BCIの訓練に有効であることが示唆された。
  論文  参考訳（メタデータ） (2021-08-23T10:55:52Z)
• Emotional EEG Classification using Connectivity Features and Convolutional Neural Networks [81.74442855155843]
  CNNと脳のつながりを利用した新しい分類システムを導入し,その効果を感情映像分類により検証する。 対象映像の感情的特性に関連する脳接続の集中度は分類性能と相関する。
  論文  参考訳（メタデータ） (2021-01-18T13:28:08Z)
• Continuous Emotion Recognition with Spatiotemporal Convolutional Neural Networks [82.54695985117783]
  In-theld でキャプチャした長いビデオシーケンスを用いて,持続的な感情認識のための最先端のディープラーニングアーキテクチャの適合性を検討する。 我々は,2D-CNNと長期記憶ユニットを組み合わせた畳み込みリカレントニューラルネットワークと,2D-CNNモデルの微調整時の重みを膨らませて構築した膨らませた3D-CNNモデルを開発した。
  論文  参考訳（メタデータ） (2020-11-18T13:42:05Z)

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。