論文の概要: Finding Closure: A Closer Look at the Gestalt Law of Closure in Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2408.12460v1
- Date: Thu, 22 Aug 2024 14:59:37 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-23 13:22:23.178590
- Title: Finding Closure: A Closer Look at the Gestalt Law of Closure in Convolutional Neural Networks
- Title（参考訳）: クロージャの発見:畳み込みニューラルネットワークにおけるクロージャのゲシュタルト法則の概観
- Authors: Yuyan Zhang, Derya Soydaner, Lisa Koßmann, Fatemeh Behrad, Johan Wagemans,
- Abstract要約: クロージャは、フィギュアを完全な全体として知覚するギャップを埋める能力である。
最近の研究では、ニューラルネットワークにおけるクロージャ効果が研究されている。
我々は、モーダルとアモーダルの両方を含むクロージャ効果をテストするために、よく計算されたデータセットを導入します。
VGG16とDenseNet-121はクロージャ効果を示し,他のCNNは可変結果を示した。
- 参考スコア（独自算出の注目度）: 4.406699323036466
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: The human brain has an inherent ability to fill in gaps to perceive figures as complete wholes, even when parts are missing or fragmented. This phenomenon is known as Closure in psychology, one of the Gestalt laws of perceptual organization, explaining how the human brain interprets visual stimuli. Given the importance of Closure for human object recognition, we investigate whether neural networks rely on a similar mechanism. Exploring this crucial human visual skill in neural networks has the potential to highlight their comparability to humans. Recent studies have examined the Closure effect in neural networks. However, they typically focus on a limited selection of Convolutional Neural Networks (CNNs) and have not reached a consensus on their capability to perform Closure. To address these gaps, we present a systematic framework for investigating the Closure principle in neural networks. We introduce well-curated datasets designed to test for Closure effects, including both modal and amodal completion. We then conduct experiments on various CNNs employing different measurements. Our comprehensive analysis reveals that VGG16 and DenseNet-121 exhibit the Closure effect, while other CNNs show variable results. We interpret these findings by blending insights from psychology and neural network research, offering a unique perspective that enhances transparency in understanding neural networks. Our code and dataset will be made available on GitHub.
- Abstract（参考訳）: 人間の脳は、部分の欠如や断片化があっても、フィギュアを完全な全体として知覚するギャップを埋める能力を持っている。
この現象は、人間の脳が視覚刺激をどのように解釈するかを説明する、知覚組織のゲシュタルト法則の1つである心理学におけるクロージャとして知られる。
ヒトの物体認識におけるクロージャの重要性を考えると、ニューラルネットワークが同様のメカニズムに依存しているかどうかを検討する。
この重要な人間の視覚的スキルをニューラルネットワークで探索することは、人間との相性が強調される可能性がある。
最近の研究では、ニューラルネットワークにおけるクロージャ効果が研究されている。
しかし、彼らは通常、限定された畳み込みニューラルネットワーク(CNN)の選択に焦点を当てており、クロージャを実行する能力について合意に達していない。
これらのギャップに対処するために、ニューラルネットワークにおけるクロージャ原理を調査するための体系的な枠組みを提案する。
我々は、モーダルとアモーダルの両方を含むクロージャ効果をテストするために設計された、精巧なデータセットを導入する。
次に、異なる測定値を用いた各種CNNの実験を行う。
VGG16とDenseNet-121はクロージャ効果を示し,他のCNNは可変結果を示した。
我々はこれらの知見を心理学とニューラルネットワーク研究の洞察を混ぜ合わせて解釈し、ニューラルネットワークの理解における透明性を高めるユニークな視点を提供する。
コードとデータセットはGitHubで公開されます。
関連論文リスト
- Investigating the Gestalt Principle of Closure in Deep Convolutional Neural Networks [4.406699323036466]
本研究では,畳み込みニューラルネットワークにおける閉鎖原理について検討する。
端部を段階的に除去した単純な視覚刺激を用いた実験を行った。
我々は、不完全ポリゴンを分類する能力に基づいて、よく知られたネットワークを評価する。
論文 参考訳（メタデータ） (2024-11-01T14:36:21Z) - Graph Neural Networks for Brain Graph Learning: A Survey [53.74244221027981]
グラフニューラルネットワーク(GNN)は、グラフ構造化データのマイニングにおいて大きな優位性を示している。
脳障害解析のための脳グラフ表現を学習するGNNが最近注目を集めている。
本稿では,GNNを利用した脳グラフ学習の成果をレビューすることで,このギャップを埋めることを目的としている。
論文 参考訳（メタデータ） (2024-06-01T02:47:39Z) - Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - Identifying Interpretable Visual Features in Artificial and Biological
Neural Systems [3.604033202771937]
ニューラルネットワークの単一ニューロンはしばしば、個々の直感的に意味のある特徴を表すものとして解釈される。
多くのニューロンは$textitmixed selectivity$、すなわち複数の無関係な特徴を示す。
本稿では、視覚的解釈可能性の定量化と、ネットワークアクティベーション空間における意味のある方向を見つけるためのアプローチを提案する。
論文 参考訳（メタデータ） (2023-10-17T17:41:28Z) - Connecting metrics for shape-texture knowledge in computer vision [1.7785095623975342]
深層ニューラルネットワークは、人間が画像の分類ミスを起こさないような、画像の多くの変化の影響を受けやすいままである。
この異なる振る舞いの一部は、視覚タスクで人間とディープニューラルネットワークが使用する機能の種類によって説明できるかもしれない。
論文 参考訳（メタデータ） (2023-01-25T14:37:42Z) - Searching for the Essence of Adversarial Perturbations [73.96215665913797]
本稿では,ニューラルネットワークの誤予測の原因となる,人間の認識可能な情報を含む対人摂動について述べる。
この人間の認識可能な情報の概念は、敵の摂動に関連する重要な特徴を説明できる。
論文 参考訳（メタデータ） (2022-05-30T18:04:57Z) - 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) - Overcoming the Domain Gap in Neural Action Representations [60.47807856873544]
3Dポーズデータは、手動で介入することなく、マルチビュービデオシーケンスから確実に抽出できる。
本稿では,ニューラルアクション表現の符号化を,ニューラルアクションと行動拡張のセットと共に導くために使用することを提案する。
ドメインギャップを減らすために、トレーニングの間、同様の行動をしているように見える動物間で神経と行動のデータを取り替える。
論文 参考訳（メタデータ） (2021-12-02T12:45:46Z) - Cortico-cerebellar networks as decoupling neural interfaces [1.1879716317856945]
脳は信用代入問題を著しく解決する。
ニューラルネットワークにまたがってクレジットを割り当てるには、原則として、特定のニューラルネットワーク計算が完了するのを待つ必要がある。
ディープラーニングの手法は、フォワードとフィードバックのフェーズの両方で、同様のロックの制約に悩まされる。
そこで本研究では、大脳皮質がDNIと同様のロック問題を解くのに役立つ特化脳野である小脳を提案する。
論文 参考訳（メタデータ） (2021-10-21T22:02:38Z) - On Tractable Representations of Binary Neural Networks [23.50970665150779]
我々は、二項ニューラルネットワークの決定関数を、順序付き二項決定図(OBDD)や意味決定図(SDD)などの抽出可能な表現にコンパイルすることを検討する。
実験では,SDDとしてニューラルネットワークのコンパクトな表現を得ることが可能であることを示す。
論文 参考訳（メタデータ） (2020-04-05T03:21:26Z) - 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後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6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。