Fugu-MT 論文翻訳(概要): Tracking objects that change in appearance with phase synchrony

論文の概要: Tracking objects that change in appearance with phase synchrony

arxiv url: http://arxiv.org/abs/2410.02094v1
Date: Thu, 10 Oct 2024 18:23:30 GMT
ステータス: 処理完了
システム内更新日: 2024-11-04 08:55:37.059228
Title: Tracking objects that change in appearance with phase synchrony
Title（参考訳）: 位相同期で外観が変化する追跡対象
Authors: Sabine Muzellec, Drew Linsley, Alekh K. Ashok, Ennio Mingolla, Girik Malik, Rufin VanRullen, Thomas Serre,
Abstract要約: ニューラルシンクロニーにより,新たな深層学習回路が,世界の場所と独立して特徴への注意を制御できることが示される。大規模課題であるFeatureTrackerを用いて、人間、CV-RNN、その他のディープニューラルネットワーク(DNN)のオブジェクト追跡を比較した。我々のCV-RNNは、この課題において人間と同じような振る舞いをし、相同期の役割の計算的概念実証を提供する。
参考スコア（独自算出の注目度）: 14.784044408031098
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Objects we encounter often change appearance as we interact with them. Changes in illumination (shadows), object pose, or movement of nonrigid objects can drastically alter available image features. How do biological visual systems track objects as they change? It may involve specific attentional mechanisms for reasoning about the locations of objects independently of their appearances -- a capability that prominent neuroscientific theories have associated with computing through neural synchrony. We computationally test the hypothesis that the implementation of visual attention through neural synchrony underlies the ability of biological visual systems to track objects that change in appearance over time. We first introduce a novel deep learning circuit that can learn to precisely control attention to features separately from their location in the world through neural synchrony: the complex-valued recurrent neural network (CV-RNN). Next, we compare object tracking in humans, the CV-RNN, and other deep neural networks (DNNs), using FeatureTracker: a large-scale challenge that asks observers to track objects as their locations and appearances change in precisely controlled ways. While humans effortlessly solved FeatureTracker, state-of-the-art DNNs did not. In contrast, our CV-RNN behaved similarly to humans on the challenge, providing a computational proof-of-concept for the role of phase synchronization as a neural substrate for tracking appearance-morphing objects as they move about.
Abstract（参考訳）: 私たちが遭遇するオブジェクトは、それらと対話するにつれて外観が変わることが多い。照明(陰影)、オブジェクトポーズ、または非剛体物体の動きの変化は、利用可能な画像の特徴を劇的に変更することができる。生物学的視覚システムは、変化するオブジェクトをどうやって追跡するのか? それは、その外見とは独立して物体の位置を推論するための特定の注意機構を含むかもしれない。ニューラルシンクロニーによる視覚的注意の実施は、時間とともに変化する物体を追跡する生物学的視覚システムの能力の根底にあるという仮説を計算的に検証する。まず、ニューラルネットワーク(CV-RNN)を用いて、世界の場所と異なる特徴への注意を正確に制御できる新しい深層学習回路を導入する。次に、FeatureTrackerを使って、人間やCV-RNN、その他のディープニューラルネットワーク(DNN)のオブジェクト追跡を比較します。人間は熱心にFeatureTrackerを解決したが、最先端のDNNは解決しなかった。対照的に、CV-RNNは人間と同じような振る舞いをしており、相同期が神経基質としての役割を計算的に証明し、外見の変化を追跡する。

関連論文リスト

Learning Object-Centric Representation via Reverse Hierarchy Guidance [73.05170419085796]
OCL(Object-Centric Learning)は、ニューラルネットワークが視覚的なシーンで個々のオブジェクトを識別できるようにする。 RHGNetは、トレーニングと推論プロセスにおいて、さまざまな方法で機能するトップダウンパスを導入している。我々のモデルは、よく使われる複数のデータセット上でSOTA性能を達成する。
論文参考訳（メタデータ） (2024-05-17T07:48:27Z)
Neural feels with neural fields: Visuo-tactile perception for in-hand manipulation [57.60490773016364]
マルチフィンガーハンドの視覚と触覚を組み合わせることで,手動操作時の物体の姿勢と形状を推定する。提案手法であるNeuralFeelsは,ニューラルネットワークをオンラインで学習することでオブジェクトの形状を符号化し,ポーズグラフ問題を最適化して共同で追跡する。私たちの結果は、タッチが少なくとも、洗練され、そして最も最良のものは、手動操作中に視覚的推定を曖昧にすることを示しています。
論文参考訳（メタデータ） (2023-12-20T22:36:37Z)
Probing neural representations of scene perception in a hippocampally dependent task using artificial neural networks [1.0312968200748116]
バックプロパゲーションによって訓練されたディープ人工ニューラルネットワーク(DNN)は、哺乳類の視覚システムの効果的なモデルを提供する。本稿では,海馬依存型課題に触発されたシーン認識ベンチマークについて述べる。側頭葉構造と海馬の接続性に着想を得たネットワークアーキテクチャを用いて,三重項損失を用いて訓練したDNNが,この課題を学習できることを実証した。
論文参考訳（メタデータ） (2023-03-11T10:26:25Z)
BI AVAN: Brain inspired Adversarial Visual Attention Network [67.05560966998559]
機能的脳活動から直接人間の視覚的注意を特徴付ける脳誘発対人視覚注意ネットワーク(BI-AVAN)を提案する。本モデルは,人間の脳が監督されていない方法で焦点を絞った映画フレーム内の視覚的物体を識別・発見するために,注意関連・無視対象間の偏りのある競合過程を模倣する。
論文参考訳（メタデータ） (2022-10-27T22:20:36Z)
Learning What and Where -- Unsupervised Disentangling Location and Identity Tracking [0.44040106718326594]
教師なしLOCation and Identity Tracking System(Loci)を導入する。ローチは脳の背腹側経路にインスパイアされ、自己監督された分離機構を用いて、何とどこにも結合する問題に取り組む。 Lociは、より深い説明指向のビデオ処理のステージを設定できる。
論文参考訳（メタデータ） (2022-05-26T13:30:14Z)
The Right Spin: Learning Object Motion from Rotation-Compensated Flow Fields [61.664963331203666]
人間がどのように動く物体を知覚するかは、コンピュータービジョンにおける長年の研究課題である。この問題の1つのアプローチは、これらすべての効果をモデル化するためのディープネットワークを教えることである。運動場からカメラの回転を推定する新しい確率モデルを提案する。
論文参考訳（メタデータ） (2022-02-28T22:05:09Z)
The Challenge of Appearance-Free Object Tracking with Feedforward Neural Networks [12.081808043723937]
$itPathTracker$は、観察者が自分の動きだけでオブジェクトを追跡することを学べる機能をテストする。標準的な3D畳み込み型ディープネットワークモデルは,この問題の解決に苦慮している。生物学的視覚からの外見のない物体追跡のための戦略は、解決策を刺激することができる。
論文参考訳（メタデータ） (2021-09-30T17:58:53Z)
Object Based Attention Through Internal Gating [4.941630596191806]
本稿では,物体に基づく注目のニューラルネットワークモデルを提案する。私たちのモデルは、トップダウンとリカレントの両方に注意が向けられる方法を捉えています。我々のモデルは神経科学からのさまざまな発見を再現している。
論文参考訳（メタデータ） (2021-06-08T17:20:50Z)
Tracking Without Re-recognition in Humans and Machines [12.591847867999636]
我々は、ビジュアルトラッキングのための最先端のディープニューラルネットワークが、同じことができるかどうか検討する。 PathTrackerは人間の観察者や機械に対象物を追跡するための視覚的課題である。動作手がかりに基づく物体追跡に関係した生体脳の回路機構をモデル化する。
論文参考訳（メタデータ） (2021-05-27T17:56:37Z)
Continuity-Discrimination Convolutional Neural Network for Visual Object Tracking [150.51667609413312]
本稿では,視覚オブジェクト追跡のためのContinuity-Discrimination Convolutional Neural Network (CD-CNN) という新しいモデルを提案する。この問題に対処するため、cd-cnnは時間的遅れの概念に基づいた時間的外観連続性をモデル化する。不正確なターゲットの定位とドリフトを緩和するために,新しい概念 object-centroid を提案する。
論文参考訳（メタデータ） (2021-04-18T06:35:03Z)
Neuroevolution of a Recurrent Neural Network for Spatial and Working Memory in a Simulated Robotic Environment [57.91534223695695]
我々は,ラットで観察される行動と神経活動を再現する進化的アルゴリズムを用いて,生物学的に有意なリカレントニューラルネットワーク(RNN)でウェイトを進化させた。提案手法は, 進化したRNNの動的活動が, 興味深く複雑な認知行動をどのように捉えているかを示す。
論文参考訳（メタデータ） (2021-02-25T02:13:52Z)

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。