論文の概要: Are Deep Neural Networks Adequate Behavioural Models of Human Visual Perception?

• arxiv url: http://arxiv.org/abs/2305.17023v1
• Date: Fri, 26 May 2023 15:31:06 GMT
• ステータス: 処理完了
• システム内更新日: 2023-05-29 13:59:33.503563
• Title: Are Deep Neural Networks Adequate Behavioural Models of Human Visual Perception?
• Title（参考訳）: 深部ニューラルネットワークは人間の視覚知覚の行動モデルに適切か?
• Authors: Felix A. Wichmann and Robert Geirhos
• Abstract要約: ディープニューラルネットワーク(Deep Neural Network, DNN)は、コンピュータビジョンに革命をもたらした機械学習アルゴリズムである。 統計ツールと計算モデルとを区別することが重要であると論じる。 我々は視覚科学においてDNNを取り巻く多くの神話を排除した。
• 参考スコア（独自算出の注目度）: 8.370048099732573
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep neural networks (DNNs) are machine learning algorithms that have revolutionised computer vision due to their remarkable successes in tasks like object classification and segmentation. The success of DNNs as computer vision algorithms has led to the suggestion that DNNs may also be good models of human visual perception. We here review evidence regarding current DNNs as adequate behavioural models of human core object recognition. To this end, we argue that it is important to distinguish between statistical tools and computational models, and to understand model quality as a multidimensional concept where clarity about modelling goals is key. Reviewing a large number of psychophysical and computational explorations of core object recognition performance in humans and DNNs, we argue that DNNs are highly valuable scientific tools but that as of today DNNs should only be regarded as promising -- but not yet adequate -- computational models of human core object recognition behaviour. On the way we dispel a number of myths surrounding DNNs in vision science.
• Abstract（参考訳）: ディープニューラルネットワーク(Deep Neural Network, DNN)は、オブジェクトの分類やセグメンテーションといったタスクで顕著に成功したコンピュータビジョンに革命をもたらした機械学習アルゴリズムである。 コンピュータビジョンアルゴリズムとしてのDNNの成功は、DNNが人間の視覚知覚の優れたモデルである可能性も示唆している。 本稿では、人間のコアオブジェクト認識の適切な行動モデルとして、現在のDNNに関する証拠をレビューする。 この目的のために、統計的ツールと計算モデルとを区別し、モデル品質をモデリング目標の明確さが重要である多次元概念として理解することが重要であると主張する。 人間とDNNのコアオブジェクト認識性能に関する多くの心理学的・計算的な調査をレビューし、DNNは極めて貴重な科学的ツールであるが、現在、DNNは人間のコアオブジェクト認識行動の有望な(しかしまだ不十分な)計算モデルとしてのみ見なされるべきである、と論じる。 その過程で私たちは、視覚科学においてDNNを取り巻く多くの神話を排除しました。

関連論文リスト

• NAS-BNN: Neural Architecture Search for Binary Neural Networks [55.058512316210056]
  我々は、NAS-BNNと呼ばれる二元ニューラルネットワークのための新しいニューラルネットワーク探索手法を提案する。 我々の発見したバイナリモデルファミリーは、20Mから2Mまでの幅広い操作(OP)において、以前のBNNよりも優れていた。 さらに,対象検出タスクにおける探索されたBNNの転送可能性を検証するとともに,探索されたBNNを用いたバイナリ検出器は,MSデータセット上で31.6% mAP,370万 OPsなどの新たな最先端結果を得る。
  論文  参考訳（メタデータ） (2024-08-28T02:17:58Z)
• Dimensions underlying the representational alignment of deep neural networks with humans [3.1668470116181817]
  我々は、人間とディープニューラルネットワーク(DNN)において、同等の表現を得るための一般的なフレームワークを提案する。 この枠組みを人間に適用し、自然画像のDNNモデルを用いて、視覚次元と意味次元の両方の低次元DNN埋め込みを明らかにした。 人間とは対照的に、DNNは視覚的オーバーセマンティックな特徴の明確な優位性を示し、画像を表現するための異なる戦略を示した。
  論文  参考訳（メタデータ） (2024-06-27T11:14:14Z)
• Unveiling and Mitigating Generalized Biases of DNNs through the Intrinsic Dimensions of Perceptual Manifolds [46.47992213722412]
  公正なディープニューラルネットワーク(DNN)の構築は、信頼できる人工知能を達成するための重要なステップである。 本稿では,モデルの公平性と性能を高める固有次元正規化(IDR)を提案する。 様々な画像認識ベンチマークテストにおいて、IDRはモデルバイアスを低減し、性能を向上する。
  論文  参考訳（メタデータ） (2024-04-22T04:16:40Z)
• Fixing the problems of deep neural networks will require better training data and learning algorithms [20.414456664907316]
  DNNは人間のものとは大きく異なる戦略に依存しているため、生物学的ビジョンのモデルが貧弱である、と我々は主張する。 DNNが大規模化し、ますます正確になっているため、この問題は悪化している。
  論文  参考訳（メタデータ） (2023-09-26T03:09:00Z)
• Performance-optimized deep neural networks are evolving into worse models of inferotemporal visual cortex [8.45100792118802]
  深部ニューラルネットワーク(DNN)の物体認識精度は,非時間的(IT)大脳皮質の自然画像に対する神経応答を予測する能力と相関することを示した。 この結果から,高調波DNNは画像ネット精度とニューラル予測精度のトレードオフを断ち切ることが示唆された。
  論文  参考訳（メタデータ） (2023-06-06T15:34:45Z)
• Transferability of coVariance Neural Networks and Application to Interpretable Brain Age Prediction using Anatomical Features [119.45320143101381]
  グラフ畳み込みネットワーク(GCN)は、トポロジー駆動のグラフ畳み込み演算を利用して、推論タスクのためにグラフをまたいだ情報を結合する。 我々は、共分散行列をグラフとして、共分散ニューラルネットワーク(VNN)の形でGCNを研究した。 VNNは、GCNからスケールフリーなデータ処理アーキテクチャを継承し、ここでは、共分散行列が極限オブジェクトに収束するデータセットに対して、VNNが性能の転送可能性を示すことを示す。
  論文  参考訳（メタデータ） (2023-05-02T22:15:54Z)
• Harmonizing the object recognition strategies of deep neural networks with humans [10.495114898741205]
  最先端のディープニューラルネットワーク(DNN)は、精度が向上するにつれて、人間との整合性が低下していることを示す。 我々の研究は、現在DNNの設計を導くスケーリング法則が、人間の視覚を悪化させるモデルを生み出した最初の例である。
  論文  参考訳（メタデータ） (2022-11-08T20:03:49Z)
• Deep Reinforcement Learning Guided Graph Neural Networks for Brain Network Analysis [61.53545734991802]
  本稿では,各脳ネットワークに最適なGNNアーキテクチャを探索する新しい脳ネットワーク表現フレームワークBN-GNNを提案する。 提案するBN-GNNは,脳ネットワーク解析タスクにおける従来のGNNの性能を向上させる。
  論文  参考訳（メタデータ） (2022-03-18T07:05:27Z)
• Attentive Graph Neural Networks for Few-Shot Learning [74.01069516079379]
  グラフニューラルネットワーク(GNN)は、数ショットの学習タスクを含む多くの困難なアプリケーションにおいて、優れたパフォーマンスを示している。 少数のサンプルからモデルを学習し、一般化する能力があるにもかかわらず、GNNは通常、モデルが深くなるにつれて、過度な過度な適合と過度なスムーシングに悩まされる。 本稿では,三重注意機構を組み込むことにより,これらの課題に対処するための新しい注意型GNNを提案する。
  論文  参考訳（メタデータ） (2020-07-14T07:43:09Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)
• A neural network walks into a lab: towards using deep nets as models for human behavior [0.0]
  ディープニューラルネットワークモデルが人間の行動の興味深いモデルになり得る理由を論じる。 我々はそのポテンシャルがより完全に実現される方法について論じる。
  論文  参考訳（メタデータ） (2020-05-02T11:17:36Z)

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。