論文の概要: Extracting the Brain-like Representation by an Improved Self-Organizing
Map for Image Classification
- arxiv url: http://arxiv.org/abs/2303.09035v1
- Date: Thu, 16 Mar 2023 02:13:12 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-17 17:14:20.347292
- Title: Extracting the Brain-like Representation by an Improved Self-Organizing
Map for Image Classification
- Title(参考訳): 画像分類のための改良型自己組織化マップによる脳様表現の抽出
- Authors: Jiahong Zhang, Lihong Cao, Moning Zhang, Wenlong Fu
- Abstract要約: Hebbian Learning Rule (HLR) は広く注目を集めている。
自己組織化マップ(SOM)は、ニューロン間の接続を確立するために競合するHLRを使用し、教師なしの方法で視覚的特徴を取得する。
本稿では,mlSOMと命名されたマルチワード,マルチコード,ローカルな受容場を備えた改良型SOMを提案する。
- 参考スコア(独自算出の注目度): 1.2617078020344619
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Backpropagation-based supervised learning has achieved great success in
computer vision tasks. However, its biological plausibility is always
controversial. Recently, the bio-inspired Hebbian learning rule (HLR) has
received extensive attention. Self-Organizing Map (SOM) uses the competitive
HLR to establish connections between neurons, obtaining visual features in an
unsupervised way. Although the representation of SOM neurons shows some
brain-like characteristics, it is still quite different from the neuron
representation in the human visual cortex. This paper proposes an improved SOM
with multi-winner, multi-code, and local receptive field, named mlSOM. We
observe that the neuron representation of mlSOM is similar to the human visual
cortex. Furthermore, mlSOM shows a sparse distributed representation of
objects, which has also been found in the human inferior temporal area. In
addition, experiments show that mlSOM achieves better classification accuracy
than the original SOM and other state-of-the-art HLR-based methods. The code is
accessible at https://github.com/JiaHongZ/mlSOM.
- Abstract(参考訳): バックプロパゲーションに基づく教師あり学習はコンピュータビジョンタスクにおいて大きな成功を収めた。
しかし、その生物学的可能性は常に議論の余地がある。
近年,バイオインスパイアされたヘビアン学習規則 (HLR) が注目されている。
自己組織化マップ(SOM)は、ニューロン間の接続を確立するために競合するHLRを使用し、教師なしの方法で視覚的特徴を取得する。
SOMニューロンの表現には脳のような特徴があるが、人間の視覚野のニューロンの表現とはかなり異なる。
本稿では,mlSOMと命名されたマルチワード,マルチコード,ローカルな受容場を備えた改良型SOMを提案する。
我々はmlSOMのニューロン表現がヒト視覚皮質と類似していることを観察した。
さらに、mlSOMは、ヒトの下側頭葉にも見られる、オブジェクトのスパース分散表現を示す。
さらに、mlSOMは元のSOMや他の最先端HLRベースの手法よりも分類精度が良いことを示す。
コードはhttps://github.com/JiaHongZ/mlSOMでアクセスできる。
関連論文リスト
- Neuro-mimetic Task-free Unsupervised Online Learning with Continual
Self-Organizing Maps [56.827895559823126]
自己組織化マップ(英: Self-organizing map、SOM)は、クラスタリングや次元減少によく用いられるニューラルネットワークモデルである。
低メモリ予算下でのオンライン教師なし学習が可能なSOM(連続SOM)の一般化を提案する。
MNIST, Kuzushiji-MNIST, Fashion-MNISTなどのベンチマークでは, ほぼ2倍の精度が得られた。
論文 参考訳(メタデータ) (2024-02-19T19:11:22Z) - Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。
最初はFlyTracingという名前のデータセットを構築しました。
本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文 参考訳(メタデータ) (2024-01-05T19:45:12Z) - Self-Supervised Neuron Segmentation with Multi-Agent Reinforcement
Learning [53.00683059396803]
マスク画像モデル(MIM)は,マスク画像から元の情報を復元する簡便さと有効性から広く利用されている。
本稿では、強化学習(RL)を利用して最適な画像マスキング比とマスキング戦略を自動検索する決定に基づくMIMを提案する。
本手法は,ニューロン分節の課題において,代替自己監督法に対して有意な優位性を有する。
論文 参考訳(メタデータ) (2023-10-06T10:40:46Z) - LSOR: Longitudinally-Consistent Self-Organized Representation Learning [14.10874160164196]
長手脳MRIにディープラーニングモデルを適用する場合、解釈可能性が重要な問題である。
この問題に対処する1つの方法は、自己組織化マップ(SOM)を介してディープラーニングによって生成される高次元潜在空間を可視化することである。
脳年齢によって階層化された高次元の解釈可能な表現を導出する最初の自己教師型SOM手法を提案する。
論文 参考訳(メタデータ) (2023-09-30T01:31:24Z) - Unveiling Theory of Mind in Large Language Models: A Parallel to Single
Neurons in the Human Brain [2.5350521110810056]
大きな言語モデル(LLM)は、あるレベルの心の理論(ToM)を示すことが発見されている。
LLMのToMの能力や人間との類似性に基づく正確なプロセスはほとんど不明である。
論文 参考訳(メタデータ) (2023-09-04T15:26:15Z) - Language Knowledge-Assisted Representation Learning for Skeleton-Based
Action Recognition [71.35205097460124]
人間が他人の行動を理解して認識する方法は、複雑な神経科学の問題である。
LA-GCNは、大規模言語モデル(LLM)知識アシストを用いたグラフ畳み込みネットワークを提案する。
論文 参考訳(メタデータ) (2023-05-21T08:29:16Z) - Deep Spiking Neural Networks with High Representation Similarity Model
Visual Pathways of Macaque and Mouse [17.545204435882816]
スパイクニューラルネットワーク(SNN)は、スパイクニューロンがスパイクの時系列で情報をエンコードしているため、生物学的に妥当なモデルである。
本研究では,視覚野を深部SNNで初めてモデル化し,また最先端の深部CNNとViTで比較した。
SNNのほぼ全ての類似度スコアは、平均6.6%のCNNよりも高い。
論文 参考訳(メタデータ) (2023-03-09T13:07:30Z) - Semantic Brain Decoding: from fMRI to conceptually similar image
reconstruction of visual stimuli [0.29005223064604074]
本稿では,意味的・文脈的類似性にも依存する脳復号法を提案する。
我々は、自然視のfMRIデータセットを使用し、人間の視覚におけるボトムアップとトップダウンの両方のプロセスの存在にインスパイアされたディープラーニングデコードパイプラインを作成します。
視覚刺激の再現は, それまでの文献において, 本来の内容とセマンティックレベルで非常によく一致し, 芸術の状態を超越している。
論文 参考訳(メタデータ) (2022-12-13T16:54:08Z) - Superficial White Matter Analysis: An Efficient Point-cloud-based Deep
Learning Framework with Supervised Contrastive Learning for Consistent
Tractography Parcellation across Populations and dMRI Acquisitions [68.41088365582831]
ホワイトマターパーセレーション(White matter parcellation)は、トラクトグラフィーをクラスタまたは解剖学的に意味のあるトラクトに分類する。
ほとんどのパーセレーション法はディープホワイトマター(DWM)にフォーカスするが、その複雑さのため表面ホワイトマター(SWM)に対処する手法は少ない。
本稿では,2段階の深層学習に基づく新しいフレームワークであるSuperficial White Matter Analysis (SupWMA)を提案する。
論文 参考訳(メタデータ) (2022-07-18T23:07:53Z) - Explainability Tools Enabling Deep Learning in Future In-Situ Real-Time
Planetary Explorations [58.720142291102135]
ディープラーニング(DL)は、効果的な機械学習とコンピュータビジョン技術であることが証明されている。
ディープニューラルネットワーク(DNN)アーキテクチャのほとんどは複雑すぎて'ブラックボックス'と見なされている。
本稿では,各ニューロンの出力クラスへの属性を記述するために,積分勾配を用いた。
DNNのブラックボックスを開くための説明可能性ツールセット(ET)を提供するので、分類へのニューロンの個々の貢献をランク付けし視覚化することができる。
論文 参考訳(メタデータ) (2022-01-15T07:10:00Z) - Brain-inspired self-organization with cellular neuromorphic computing
for multimodal unsupervised learning [0.0]
本稿では,自己組織マップとヘビアン様学習を用いた再突入理論に基づく脳刺激型ニューラルシステムを提案する。
システムトポロジがユーザによって固定されるのではなく,自己組織化によって学習されるような,いわゆるハードウェアの可塑性の獲得について述べる。
論文 参考訳(メタデータ) (2020-04-11T21:02:45Z)
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。