論文の概要: Assessing the Alignment of Popular CNNs to the Brain for Valence Appraisal

• arxiv url: http://arxiv.org/abs/2509.21384v1
• Date: Tue, 23 Sep 2025 18:18:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:53.890545
• Title: Assessing the Alignment of Popular CNNs to the Brain for Valence Appraisal
• Title（参考訳）: 評価のためのCNNの脳への適応性の評価
• Authors: Laurent Mertens, Elahe' Yargholi, Laura Van Hove, Hans Op de Beeck, Jan Van den Stock, Joost Vennekens,
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、多くのコンピュータビジョンタスクにおいてその価値を証明したコンピュータモデルとして人気がある。 この課題に対して、CNNは単純な視覚処理を超越し、高次脳処理を反映していないことが示される。 CNN-フィルタレベルでのGradCAMとオブジェクト検出を組み合わせた新しいフレームワークであるObject2Brainを提案する。
• 参考スコア（独自算出の注目度）: 3.9715119192468293
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Convolutional Neural Networks (CNNs) are a popular type of computer model that have proven their worth in many computer vision tasks. Moreover, they form an interesting study object for the field of psychology, with shown correspondences between the workings of CNNs and the human brain. However, these correspondences have so far mostly been studied in the context of general visual perception. In contrast, this paper explores to what extent this correspondence also holds for a more complex brain process, namely social cognition. To this end, we assess the alignment between popular CNN architectures and both human behavioral and fMRI data for image valence appraisal through a correlation analysis. We show that for this task CNNs struggle to go beyond simple visual processing, and do not seem to reflect higher-order brain processing. Furthermore, we present Object2Brain, a novel framework that combines GradCAM and object detection at the CNN-filter level with the aforementioned correlation analysis to study the influence of different object classes on the CNN-to-human correlations. Despite similar correlation trends, different CNN architectures are shown to display different object class sensitivities.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、多くのコンピュータビジョンタスクにおいてその価値を証明したコンピュータモデルとして人気がある。 さらに、彼らは心理学の分野で興味深い研究対象を形成し、CNNと人間の脳の働きの対応を示した。 しかし、これらの対応は一般的な視覚知覚の文脈で研究されている。 対照的に、本稿は、この対応がより複雑な脳のプロセス、すなわち社会的認知にどの程度貢献するかを探求する。 そこで我々は,一般的なCNNアーキテクチャと人間の行動とfMRIデータとの整合性を相関解析により評価した。 この課題に対して、CNNは単純な視覚処理を超越し、高次脳処理を反映していないことが示される。 さらに、CNN-フィルタレベルでのGradCAMとオブジェクト検出を組み合わせた新しいフレームワークであるObject2Brainについて、上記の相関解析を行い、CNN-人間相関に対する異なるオブジェクトクラスの影響について検討する。 類似の相関傾向にもかかわらず、異なるCNNアーキテクチャは異なるオブジェクトクラスの感度を示す。

関連論文リスト

• Convolutional Neural Networks Can (Meta-)Learn the Same-Different Relation [14.077394772421913]
  人間は、関係を含む視覚的なタスクにおいて、CNNよりもはるかに優れている。 メタラーニングによる学習では,従来のトレーニングと同一の差分関係を一般化できないCNNアーキテクチャが成功することを示す。
  論文  参考訳（メタデータ） (2025-03-29T20:24:23Z)
• Using Human-like Mechanism to Weaken Effect of Pre-training Weight Bias in Face-Recognition Convolutional Neural Network [6.0950431324191845]
  我々は,神経科学者によってヒト様のモデルとして解析されたCNN(AlexNet,VGG11,VGG13,VGG16)4種に着目した。 我々はこれらのCNNを伝達学習により感情価分類タスクに訓練した。 次に、神経科学と行動データに基づく自己認識機構を用いて、オブジェクトベースのAlexNetを更新する。
  論文  参考訳（メタデータ） (2023-10-20T17:22:57Z)
• 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)
• A novel feature-scrambling approach reveals the capacity of convolutional neural networks to learn spatial relations [0.0]
  畳み込みニューラルネットワーク(CNN)は、物体認識を解く最も成功したコンピュータビジョンシステムの一つである。 しかし、CNNが実際にどのように決断を下すのか、内部表現の性質や認識戦略が人間とどのように異なるのかは、いまだに理解されていない。
  論文  参考訳（メタデータ） (2022-12-12T16:40:29Z)
• Prune and distill: similar reformatting of image information along rat visual cortex and deep neural networks [61.60177890353585]
  深部畳み込み神経ネットワーク(CNN)は、脳の機能的類似、視覚野の腹側流の優れたモデルを提供することが示されている。 ここでは、CNNまたは視覚野の内部表現で知られているいくつかの顕著な統計的パターンについて考察する。 我々は、CNNと視覚野が、オブジェクト表現の次元展開/縮小と画像情報の再構成と、同様の密接な関係を持っていることを示す。
  論文  参考訳（メタデータ） (2022-05-27T08:06:40Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
  畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。 CNNが予測をしながら色情報に大きく依存していることを実証します。 congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-12T22:55:06Z)
• Understanding the Role of Individual Units in a Deep Neural Network [85.23117441162772]
  本稿では,画像分類と画像生成ネットワーク内の隠れ単位を系統的に同定する分析フレームワークを提案する。 まず、シーン分類に基づいて訓練された畳み込みニューラルネットワーク(CNN)を分析し、多様なオブジェクト概念にマッチするユニットを発見する。 第2に、シーンを生成するために訓練されたGANモデルについて、同様の分析手法を用いて分析する。
  論文  参考訳（メタデータ） (2020-09-10T17:59:10Z)

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。