論文の概要: Attention-Driven LPLC2 Neural Ensemble Model for Multi-Target Looming Detection and Localization

• arxiv url: http://arxiv.org/abs/2504.04477v1
• Date: Sun, 06 Apr 2025 13:07:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-08 14:14:24.582418
• Title: Attention-Driven LPLC2 Neural Ensemble Model for Multi-Target Looming Detection and Localization
• Title（参考訳）: 意識駆動型LPLC2ニューラルアンサンブルモデルによるマルチターゲットローミング検出と位置推定
• Authors: Renyuan Liu, Qinbing Fu,
• Abstract要約: ハエの視覚系における2型視覚投射ニューロン(LPLC2)は、高い光沢選択性を有する。 既存のLPLC2ニューロンのモデルでは、個々の細胞に集中してセントロイドに焦点を絞った拡張を検出したり、集団投票戦略を利用して地球規模の衝突情報を得る。 本研究では,移動感応性ニューラルパスによって誘導されるボトムアップアテンション機構を利用して,LPLC2集団の数値モデルを提案する。
• 参考スコア（独自算出の注目度）: 2.3204178451683264
• License:
• Abstract: Lobula plate/lobula columnar, type 2 (LPLC2) visual projection neurons in the fly's visual system possess highly looming-selective properties, making them ideal for developing artificial collision detection systems. The four dendritic branches of individual LPLC2 neurons, each tuned to specific directional motion, enhance the robustness of looming detection by utilizing radial motion opponency. Existing models of LPLC2 neurons either concentrate on individual cells to detect centroid-focused expansion or utilize population-voting strategies to obtain global collision information. However, their potential for addressing multi-target collision scenarios remains largely untapped. In this study, we propose a numerical model for LPLC2 populations, leveraging a bottom-up attention mechanism driven by motion-sensitive neural pathways to generate attention fields (AFs). This integration of AFs with highly nonlinear LPLC2 responses enables precise and continuous detection of multiple looming objects emanating from any region of the visual field. We began by conducting comparative experiments to evaluate the proposed model against two related models, highlighting its unique characteristics. Next, we tested its ability to detect multiple targets in dynamic natural scenarios. Finally, we validated the model using real-world video data collected by aerial robots. Experimental results demonstrate that the proposed model excels in detecting, distinguishing, and tracking multiple looming targets with remarkable speed and accuracy. This advanced ability to detect and localize looming objects, especially in complex and dynamic environments, holds great promise for overcoming collision-detection challenges in mobile intelligent machines.
• Abstract（参考訳）: ハエの視覚系における2型(LPLC2)視覚投射ニューロン(Lobula plate/lobula columnar)は、高いローミング選択性を有しており、人工衝突検出システムの開発に最適である。 個々のLPLC2ニューロンの樹状枝は、それぞれ特定の方向運動に調整され、放射運動応答を利用して、略奪検出の堅牢性を高める。 既存のLPLC2ニューロンのモデルでは、個々の細胞に集中してセントロイドに焦点を絞った拡張を検出したり、集団投票戦略を利用して地球規模の衝突情報を得る。 しかし、多目標衝突シナリオに対処する可能性については、ほとんど未解決のままである。 本研究では,動きに敏感なニューラルパスによって誘導されるボトムアップアテンション機構を利用して注意場(AF)を生成するLPLC2集団の数値モデルを提案する。 この高非線形LPLC2応答によるAFの統合により、視野の任意の領域から発生する複数の略奪物体の高精度かつ連続的な検出が可能になる。 まず、提案モデルと関連する2つのモデルの比較実験を行い、その特徴を強調した。 次に、動的自然シナリオにおける複数のターゲットを検出する機能のテストを行った。 最後に,空中ロボットが収集した実世界の映像データを用いて,このモデルを検証した。 実験結果から,提案モデルが高速かつ高精度な複数の略奪目標の検出,識別,追跡に優れていることが示された。 この高度な機能、特に複雑な環境や動的環境において、略奪対象を検出およびローカライズする能力は、モバイルインテリジェントマシンにおける衝突検出の課題を克服する大きな可能性を秘めている。

関連論文リスト

• PVAFN: Point-Voxel Attention Fusion Network with Multi-Pooling Enhancing for 3D Object Detection [59.355022416218624]
  点とボクセルの表現の統合は、LiDARベースの3Dオブジェクト検出においてより一般的になりつつある。 PVAFN(Point-Voxel Attention Fusion Network)と呼ばれる新しい2段3次元物体検出器を提案する。 PVAFNはマルチプール戦略を使用して、マルチスケールとリージョン固有の情報を効果的に統合する。
  論文  参考訳（メタデータ） (2024-08-26T19:43:01Z)
• DA-Flow: Dual Attention Normalizing Flow for Skeleton-based Video Anomaly Detection [52.74152717667157]
  本稿では,DAM(Dual Attention Module)と呼ばれる軽量モジュールを提案する。 フレームアテンション機構を使用して、最も重要なフレームを識別し、スケルトンアテンション機構を使用して、最小パラメータとフロップで固定されたパーティション間の広範な関係をキャプチャする。
  論文  参考訳（メタデータ） (2024-06-05T06:18:03Z)
• Towards Unified 3D Object Detection via Algorithm and Data Unification [70.27631528933482]
  我々は、最初の統一型マルチモーダル3Dオブジェクト検出ベンチマークMM-Omni3Dを構築し、上記のモノクロ検出器をマルチモーダルバージョンに拡張する。 設計した単分子・多モード検出器をそれぞれUniMODEとMM-UniMODEと命名した。
  論文  参考訳（メタデータ） (2024-02-28T18:59:31Z)
• OppLoD: the Opponency based Looming Detector, Model Extension of Looming Sensitivity from LGMD to LPLC2 [8.055723903012511]
  織機検出は昆虫の衝突防止システムにおいて重要な役割を担っている。 ラジアル対向運動(ROM:radial-opponent-motion)である拡張と混同し易いため、重要な視覚運動キューは長い間無視されてきた。 ショウジョウバエのROM感受性ニューロンであるLPLC2の発見に関する最近の研究は、焦点、外向運動の刺激にのみ反応するため、その超選択性を明らかにしている。 本稿では,画像速度に基づく略奪検出装置であるロブラ・ジャイアント・ムーブメント・ディテクター(LGMD)をROM感度で拡張する可能性について検討する。
  論文  参考訳（メタデータ） (2023-02-10T03:53:12Z)
• An Attention and Prediction Guided Visual System for Small Target Motion Detection in Complex Natural Environments [7.972704756263765]
  複雑な自然環境における小さな目標運動検出は、自律ロボットにとって非常に難しい課題である。 本稿では,この限界を克服するための注意と予測ガイド視覚システムを提案する。 提案する視覚システムは,主にアテンションモジュール,STMDベースニューラルネットワーク,予測モジュールを含む3つのサブシステムから構成される。
  論文  参考訳（メタデータ） (2021-04-27T07:42:31Z)
• TRiPOD: Human Trajectory and Pose Dynamics Forecasting in the Wild [77.59069361196404]
  TRiPODは、グラフの注目ネットワークに基づいて身体のダイナミクスを予測する新しい方法です。 実世界の課題を取り入れるために,各フレームで推定された身体関節が可視・視認可能かどうかを示す指標を学習する。 評価の結果,TRiPODは,各軌道に特化して設計され,予測タスクに特化している。
  論文  参考訳（メタデータ） (2021-04-08T20:01:00Z)
• SA-Det3D: Self-Attention Based Context-Aware 3D Object Detection [9.924083358178239]
  本稿では,3次元物体検出におけるコンテキストモデリングのための2種類の自己注意法を提案する。 まず,現状のbev,voxel,ポイントベース検出器にペアワイズ自着機構を組み込む。 次に,ランダムにサンプリングされた位置の変形を学習することにより,最も代表的な特徴のサブセットをサンプリングするセルフアテンション変種を提案する。
  論文  参考訳（メタデータ） (2021-01-07T18:30:32Z)
• Complementary Visual Neuronal Systems Model for Collision Sensing [6.670414650224423]
  昆虫の視覚脳にインスパイアされた本論文は、リアルタイムおよび堅牢な衝突検知のための相補的な視覚神経系のモデルの原モデルを示す。 広視野運動感受性ニューロンの2つのカテゴリ、すなわち、ロカストの巨体運動検出器(LGMD)とハエの巨体板細胞(Cs)が、集中的に研究されている。 高速衝突知覚を専門とする2つのLGMDと水平(左右)感度LPTC(C-RとLPTC-L)を組み合わせたハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2020-06-11T13:40:59Z)
• Enhancing LGMD's Looming Selectivity for UAV with Spatial-temporal Distributed Presynaptic Connections [5.023891066282676]
  自然界では、単純な視覚システムを持つ飛行昆虫は、複雑な環境での衝突をナビゲートし回避する優れた能力を示している。 飛んでいる昆虫の視覚ニューロンとして、LGMDはUAVの衝突検知システムを構築するための理想的な基盤であると考えられている。 既存のLGMDモデルは、複雑な背景運動のような他の視覚的手がかりと明確に区別することはできない。 分散空間-時間的シナプス相互作用を実装した新しいモデルを提案する。
  論文  参考訳（メタデータ） (2020-05-09T09:15:02Z)
• ClusterVO: Clustering Moving Instances and Estimating Visual Odometry for Self and Surroundings [54.33327082243022]
  ClusterVOはステレオビジュアルオドメトリーで、エゴと周囲の固いクラスタ/オブジェクトの両方の動きを同時にクラスタし、推定する。 以前のソリューションでは、バッチ入力やシーン構造や動的オブジェクトモデルへの事前の指示に頼っていたが、ClusterVOは一般的にオンラインであり、屋内のシーン理解や自律運転など、さまざまなシナリオで使用することができる。
  論文  参考訳（メタデータ） (2020-03-29T09:06:28Z)
• SUOD: Accelerating Large-Scale Unsupervised Heterogeneous Outlier Detection [63.253850875265115]
  外乱検出(OD)は、一般的なサンプルから異常物体を識別するための機械学習(ML)タスクである。 そこで我々は,SUODと呼ばれるモジュール型加速度システムを提案する。
  論文  参考訳（メタデータ） (2020-03-11T00:22:50Z)

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。