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
- 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) - Attend Who is Weak: Pruning-assisted Medical Image Localization under
Sophisticated and Implicit Imbalances [102.68466217374655]
ディープニューラルネットワーク(DNN)は、医療画像理解タスクのテキストファクト選択として急速に普及している。
本稿では,プルーニングを用いてテキスト・ハード・トゥ・ラーン(HTL)学習サンプルを自動かつ適応的に識別する手法を提案する。
また、HTLが複雑な人口動態の不均衡を捉える能力を示す興味深い統計分析も提示する。
論文 参考訳（メタデータ） (2022-12-06T00:32:03Z) - DBGSL: Dynamic Brain Graph Structure Learning [58.94034282469377]
脳グラフの表現を学習するための動的脳グラフ構造学習(DBGSL)を提案する。
DBGSLは、脳領域埋め込みに適用された空間的時間的注意を通して、fMRIの時系列から動的グラフを学習する。
大きな休息状態とジェンダー分類のためのタスクfMRIデータセットの実験は、DBGSLが最先端のパフォーマンスを達成することを示す。
論文 参考訳（メタデータ） (2022-09-27T16:32:11Z) - 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) - Coupling Visual Semantics of Artificial Neural Networks and Human Brain
Function via Synchronized Activations [13.956089436100106]
本稿では,ANNとBNNの視覚的表現空間と意味を結合する新しい計算フレームワーク,Sync-ACTを提案する。
このアプローチにより、人間の脳画像から生物学的に意味のある記述を導き、ANNのニューロンに意味論的に注釈を付けることができる。
論文 参考訳（メタデータ） (2022-06-22T03:32:17Z) - Prune and distill: similar reformatting of image information along rat
visual cortex and deep neural networks [61.60177890353585]
深部畳み込み神経ネットワーク(CNN)は、脳の機能的類似、視覚野の腹側流の優れたモデルを提供することが示されている。
ここでは、CNNまたは視覚野の内部表現で知られているいくつかの顕著な統計的パターンについて考察する。
我々は、CNNと視覚野が、オブジェクト表現の次元展開/縮小と画像情報の再構成と、同様の密接な関係を持っていることを示す。
論文 参考訳（メタデータ） (2022-05-27T08:06:40Z) - 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) - Deep Auto-encoder with Neural Response [8.797970797884023]
ニューラルレスポンス(DAE-NR)を用いたディープオートエンコーダと呼ばれるハイブリッドモデルを提案する。
DAE-NRは、視覚野からの情報をANNに組み込んで、より優れた画像再構成と、生物学的および人工ニューロン間の高い神経表現類似性を実現する。
DAE-NRは, 共同学習によって(画像再構成の性能の向上) 生体ニューロンと人工ニューロンとの表現的類似性の向上が可能であることを実証した。
論文 参考訳（メタデータ） (2021-11-30T11:44:17Z) - Improving Self-Organizing Maps with Unsupervised Feature Extraction [0.0]
自己組織化マップ(SOM)は脳にインスパイアされた神経モデルであり、教師なし学習に非常に有望である。
本稿では,生データの代わりに抽出した特徴を用いてSOM性能を向上させることを提案する。
我々は,SOM分類を+6.09%改善し,教師なし画像分類における最先端性能を得る。
論文 参考訳（メタデータ） (2020-09-04T13:19:24Z) - 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) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに新しいアピカルデンドライト活性化(ADA)が続くことを示す。
コンピュータビジョン,信号処理,自然言語処理の5つのベンチマークデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-02-02T21:09:39Z)
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。