論文の概要: Dynamic Neural Field Modeling of Visual Contrast for Perceiving Incoherent Looming
- arxiv url: http://arxiv.org/abs/2504.04551v1
- Date: Sun, 06 Apr 2025 17:04:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-04-16 00:59:09.846494
- Title: Dynamic Neural Field Modeling of Visual Contrast for Perceiving Incoherent Looming
- Title（参考訳）: Incoherent Loomingの知覚のための視覚コントラストの動的ニューラルネットワークモデリング
- Authors: Ziyan Qin, Qinbing Fu, Jigen Peng, Shigang Yue,
- Abstract要約: AmariのDynamic Neural Field (DNF)フレームワークは、神経細胞グループの平均活性化をモデル化するための脳にインスパイアされたアプローチを提供する。
我々は、専用DNFによって管理されるON/OFF視覚コントラストのモデリングを組み込むことで、DNFを拡張した。
提案モデルでは,非コヒーレントなロケスト検出問題に効果的に対処し,最先端のロケストインスパイアされたモデルよりも大幅に優れていることを示す。
- 参考スコア（独自算出の注目度）: 7.885957968654851
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Amari's Dynamic Neural Field (DNF) framework provides a brain-inspired approach to modeling the average activation of neuronal groups. Leveraging a single field, DNF has become a promising foundation for low-energy looming perception module in robotic applications. However, the previous DNF methods face significant challenges in detecting incoherent or inconsistent looming features--conditions commonly encountered in real-world scenarios, such as collision detection in rainy weather. Insights from the visual systems of fruit flies and locusts reveal encoding ON/OFF visual contrast plays a critical role in enhancing looming selectivity. Additionally, lateral excitation mechanism potentially refines the responses of loom-sensitive neurons to both coherent and incoherent stimuli. Together, these offer valuable guidance for improving looming perception models. Building on these biological evidence, we extend the previous single-field DNF framework by incorporating the modeling of ON/OFF visual contrast, each governed by a dedicated DNF. Lateral excitation within each ON/OFF-contrast field is formulated using a normalized Gaussian kernel, and their outputs are integrated in the Summation field to generate collision alerts. Experimental evaluations show that the proposed model effectively addresses incoherent looming detection challenges and significantly outperforms state-of-the-art locust-inspired models. It demonstrates robust performance across diverse stimuli, including synthetic rain effects, underscoring its potential for reliable looming perception in complex, noisy environments with inconsistent visual cues.
- Abstract（参考訳）: AmariのDynamic Neural Field (DNF)フレームワークは、神経細胞グループの平均活性化をモデル化するための脳にインスパイアされたアプローチを提供する。
単一フィールドを利用するDNFは、ロボットアプリケーションにおける低エネルギーのローミング知覚モジュールの有望な基盤となっている。
しかし、従来のDNF法は、雨天の衝突検出など、現実のシナリオでよく見られる不整合性や不整合性な略奪的特徴を検出する上で、重大な課題に直面している。
ショウジョウバエやロカストの視覚系からの洞察から、ON/OFF視覚コントラストの符号化は、略奪選択性を高める上で重要な役割を担っていることが分かる。
さらに、側方励起機構は、コヒーレント刺激と非コヒーレント刺激の両方に対する織機感受性ニューロンの反応を改善させる可能性がある。
これらは共に、略奪的な知覚モデルを改善するための貴重なガイダンスを提供する。
これらの生物学的証拠に基づいて、ON/OFF視覚コントラストのモデリングを組み込むことにより、従来の単一フィールドDNFフレームワークを拡張し、それぞれが専用のDNFによって管理される。
各ON/OFFコントラストフィールド内の側方励起は正規化されたガウスカーネルを用いて定式化され、それらの出力はサミネーションフィールドに統合されて衝突警報を生成する。
実験により,提案モデルが不整合な略奪検出問題に効果的に対処し,最先端のロカストモデルよりも著しく優れていることが示された。
これは、合成雨効果を含む多様な刺激にまたがる堅牢な性能を示し、不整合の視覚的手がかりを持つ複雑でノイズの多い環境において、信頼できる略奪的知覚の可能性を強調している。
関連論文リスト
- Motion-Enhanced Nonlocal Similarity Implicit Neural Representation for Infrared Dim and Small Target Detection [9.459649691992377]
赤外線ディムと小さなターゲット検出は、動的マルチフレームシナリオと弱いターゲットシグネチャによって大きな課題となる。
伝統的な低ランク+スパースモデルでは、動的背景と大域的空間的時間的相関を捉えることができないことが多い。
本稿では,これらの課題に対処するために,新しい動作強化非局所類似性暗黙的ニューラル表現フレームワークを提案する。
論文 参考訳（メタデータ） (2025-04-22T07:42:00Z) - Multi-Modality Driven LoRA for Adverse Condition Depth Estimation [61.525312117638116]
逆条件深さ推定のためのMulti-Modality Driven LoRA(MMD-LoRA)を提案する。
Prompt Driven Domain Alignment (PDDA) と Visual-Text Consistent Contrastive Learning (VTCCL) の2つのコアコンポーネントで構成されている。
nuScenesとOxford RobotCarデータセットの最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2024-12-28T14:23:58Z) - A Tunable Despeckling Neural Network Stabilized via Diffusion Equation [15.996302571895045]
ニューラルネットワークの実際のデータへの適応性を判断するための基準として、Adrialversa攻撃を用いることができる。
本稿では,ニューラルネットワークブロックと拡散正則性ブロックを1つのネットワークにアンロールしてエンドツーエンドのトレーニングを行う,チューニング可能な正規化ニューラルネットワークフレームワークを提案する。
論文 参考訳（メタデータ） (2024-11-24T17:08:43Z) - Free Energy Projective Simulation (FEPS): Active inference with interpretability [40.11095094521714]
FEP(Free Energy Projective Simulation)とAIF(Active Inference)は、多くの成功を収めている。
最近の研究は、最新の機械学習技術を取り入れた複雑な環境におけるエージェントの性能向上に重点を置いている。
ディープニューラルネットワークを使わずに解釈可能な方法でエージェントをモデル化するための自由エネルギー射影シミュレーション(FEPS)を導入する。
論文 参考訳（メタデータ） (2024-11-22T15:01:44Z) - Attraction-Repulsion Swarming: A Generalized Framework of t-SNE via Force Normalization and Tunable Interactions [2.3020018305241337]
ARSは、アトラクションと反発力によって駆動される相互作用するエージェントの群として、t分散データ近接埋め込み(t-SNE)可視化技術を見ることに基づくフレームワークである。
ARSはまた、アトラクションとリプルションカーネルを個別にチューニングする機能も備えている。これにより、クラスタ内のタイツネスと、視覚化におけるそれらの間の間隔をユーザがコントロールできるようになる。
論文 参考訳（メタデータ） (2024-11-15T22:42:11Z) - Integrated Dynamic Phenological Feature for Remote Sensing Image Land Cover Change Detection [5.109855690325439]
本稿では,表現学的特徴をリモートセンシング画像CDフレームワークに統合するInPheaモデルを提案する。
4つの制約モジュールと多段階のコントラスト学習アプローチを備えた制約器を用いて,表現学的特徴の理解を支援する。
HRSCD、SECD、PSCD-Wuhanデータセットの実験は、InPheaが他のモデルより優れていることを示している。
論文 参考訳（メタデータ） (2024-08-08T01:07:28Z) - KFD-NeRF: Rethinking Dynamic NeRF with Kalman Filter [49.85369344101118]
KFD-NeRFは,Kalmanフィルタに基づく効率的かつ高品質な運動再構成フレームワークと統合された,新しい動的ニューラル放射場である。
我々のキーとなる考え方は、動的放射場を、観測と予測という2つの知識源に基づいて時間的に異なる状態が推定される動的システムとしてモデル化することである。
我々のKFD-NeRFは、同等の計算時間と最先端の視線合成性能で、徹底的な訓練を施した類似または優れた性能を示す。
論文 参考訳（メタデータ） (2024-07-18T05:48:24Z) - Interpretable Spatio-Temporal Embedding for Brain Structural-Effective Network with Ordinary Differential Equation [56.34634121544929]
本研究では,まず動的因果モデルを用いて脳効果ネットワークを構築する。
次に、STE-ODE(Spatio-Temporal Embedding ODE)と呼ばれる解釈可能なグラフ学習フレームワークを導入する。
このフレームワークは、構造的および効果的なネットワーク間の動的相互作用を捉えることを目的とした、特異的に設計されたノード埋め込み層を含んでいる。
論文 参考訳（メタデータ） (2024-05-21T20:37:07Z) - Diffusion Priors for Dynamic View Synthesis from Monocular Videos [59.42406064983643]
ダイナミックノベルビュー合成は、ビデオ内の視覚的コンテンツの時間的進化を捉えることを目的としている。
まず、ビデオフレーム上に予め訓練されたRGB-D拡散モデルをカスタマイズ手法を用いて微調整する。
動的および静的なニューラルレイディアンス場を含む4次元表現に、微調整されたモデルから知識を蒸留する。
論文 参考訳（メタデータ） (2024-01-10T23:26:41Z) - IntrinsicNeRF: Learning Intrinsic Neural Radiance Fields for Editable
Novel View Synthesis [90.03590032170169]
内在性ニューラルレンダリング法に内在性分解を導入した内在性ニューラルレイディアンス場(IntrinsicNeRF)を提案する。
そこで,本研究では,オブジェクト固有・ルームスケールシーンと合成・実単語データの両方を用いて,一貫した本質的な分解結果が得られることを示す。
論文 参考訳（メタデータ） (2022-10-02T22:45:11Z) - FG-UAP: Feature-Gathering Universal Adversarial Perturbation [15.99512720802142]
本稿では,ニューラル・コラプス(NC)が発生する層を攻撃することにより,ユニバーサル・ディバイサル・摂動(UAP)を生成することを提案する。
NCにより、提案された攻撃は、すべての自然画像の特徴を周囲に集めることができ、それゆえ、FG-UAP(Feature-Gathering UAP)と呼ばれる。
提案アルゴリズムの有効性は,未目標および目標とする汎用攻撃,限られたデータセットによる攻撃,転送ベースのブラックボックス攻撃など,豊富な実験において評価される。
論文 参考訳（メタデータ） (2022-09-27T02:03:42Z) - Proactive Pseudo-Intervention: Causally Informed Contrastive Learning
For Interpretable Vision Models [103.64435911083432]
PPI(Proactive Pseudo-Intervention)と呼ばれる新しい対照的な学習戦略を提案する。
PPIは、因果関係のない画像の特徴を保護するために積極的に介入する。
また,重要な画像画素を識別するための,因果的に通知された新たなサリエンスマッピングモジュールを考案し,モデル解釈の容易性を示す。
論文 参考訳（メタデータ） (2020-12-06T20:30:26Z)
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。