論文の概要: A neuromorphic model of the insect visual system for natural image processing

• arxiv url: http://arxiv.org/abs/2602.06405v1
• Date: Fri, 06 Feb 2026 05:54:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-09 22:18:26.249612
• Title: A neuromorphic model of the insect visual system for natural image processing
• Title（参考訳）: 自然画像処理のための昆虫視覚系のニューロモルフィックモデル
• Authors: Adam D. Hines, Karin Nordström, Andrew B. Barron,
• Abstract要約: 昆虫の視覚は、連想学習、ナビゲーション、物体検出などの複雑な行動をサポートする。 本稿では,高密度な視覚入力をスパースな識別符号に変換するバイオインスパイアされた視覚モデルを提案する。 花認識タスクと自然画像ベンチマークにおける結果の表現性を評価する。
• 参考スコア（独自算出の注目度）: 0.8602553195689513
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Insect vision supports complex behaviors including associative learning, navigation, and object detection, and has long motivated computational models for understanding biological visual processing. However, many contemporary models prioritize task performance while neglecting biologically grounded processing pathways. Here, we introduce a bio-inspired vision model that captures principles of the insect visual system to transform dense visual input into sparse, discriminative codes. The model is trained using a fully self-supervised contrastive objective, enabling representation learning without labeled data and supporting reuse across tasks without reliance on domain-specific classifiers. We evaluated the resulting representations on flower recognition tasks and natural image benchmarks. The model consistently produced reliable sparse codes that distinguish visually similar inputs. To support different modelling and deployment uses, we have implemented the model as both an artificial neural network and a spiking neural network. In a simulated localization setting, our approach outperformed a simple image downsampling comparison baseline, highlighting the functional benefit of incorporating neuromorphic visual processing pathways. Collectively, these results advance insect computational modelling by providing a generalizable bio-inspired vision model capable of sparse computation across diverse tasks.
• Abstract（参考訳）: 昆虫の視覚は、連想学習、ナビゲーション、物体検出などの複雑な行動をサポートし、生物学的視覚処理を理解するための長いモチベーションのある計算モデルを持っている。 しかし、多くの現代モデルは、生物学的に基底化された処理経路を無視しながらタスク性能を優先している。 そこで本研究では,昆虫視覚システムの原理を捉えたバイオインスパイアされた視覚モデルを導入し,高密度な視覚入力をスパースな識別符号に変換する。 このモデルは、完全に自己監督されたコントラスト的目的を用いて訓練され、ラベル付きデータなしで表現学習を可能にし、ドメイン固有の分類器に依存することなく、タスク間の再利用をサポートする。 花の認識タスクと自然画像のベンチマークで得られた表現を評価した。 このモデルは、視覚的に類似した入力を区別する信頼できるスパース符号を一貫して生成した。 異なるモデリングおよびデプロイメントの用途をサポートするため、我々は、人工ニューラルネットワークとスパイクニューラルネットワークの両方としてモデルを実装した。 模擬局所化設定において,本手法は単純な画像ダウンサンプリング比較ベースラインよりも優れ,ニューロモルフィックな視覚処理経路を組み込むことによる機能的メリットを浮き彫りにした。 これらの結果は、様々なタスクにまたがる計算をスパースできる一般化可能なバイオインスパイアされた視覚モデルを提供することにより、昆虫の計算モデルを進める。

関連論文リスト

• Improving VisNet for Object Recognition [0.40048696135519796]
  本研究は、生物学的にインスピレーションを受けたニューラルネットワークモデルと、放射基底関数ニューロン、マハラノビス距離に基づく学習、および一般的な物体認識と対称性の分類のための前処理のような網膜を含むいくつかの拡張された変種について検討する。 MNIST、CIFAR10、カスタム対称オブジェクトセットを含む複数のデータセットにまたがる実験結果から、これらの拡張VisNet変異はベースラインモデルと比較して認識精度を大幅に向上することが示された。 これらの発見は、VisNetにインスパイアされたアーキテクチャの適応性と生物学的関連性を強調し、神経科学と人工知能の両方において、視覚認識のための強力で解釈可能なフレームワークを提供する。
  論文  参考訳（メタデータ） (2025-11-12T02:15:02Z)
• DAMamba: Vision State Space Model with Dynamic Adaptive Scan [51.81060691414399]
  状態空間モデル(SSM)は近年、コンピュータビジョンにおいて大きな注目を集めている。 スキャン順序と領域を適応的に割り当てるデータ駆動型動的適応スキャン(DAS)を提案する。 DASをベースとしたビジョンバックボーンDAMambaの提案は,現在のビジョンタスクにおけるMambaモデルよりもはるかに優れている。
  論文  参考訳（メタデータ） (2025-02-18T08:12:47Z)
• Convolution goes higher-order: a biologically inspired mechanism empowers image classification [0.8999666725996975]
  本稿では,複雑な非線形生物学的視覚処理に着想を得た画像分類手法を提案する。 我々のモデルは、Volterraのような畳み込み演算子の拡張を組み込み、乗法的相互作用をキャプチャする。 私たちの仕事は神経科学とディープラーニングを橋渡しし、より効果的で生物学的にインスパイアされたコンピュータビジョンモデルへの道筋を提供します。
  論文  参考訳（メタデータ） (2024-12-09T18:33:09Z)
• Automatic Discovery of Visual Circuits [66.99553804855931]
  本稿では,視覚モデルにおける視覚的概念の認識の基盤となる計算グラフのサブグラフを抽出するスケーラブルな手法について検討する。 提案手法は, モデル出力に因果的に影響を及ぼす回路を抽出し, これらの回路を編集することで, 敵攻撃から大きな事前学習モデルを守ることができることがわかった。
  論文  参考訳（メタデータ） (2024-04-22T17:00:57Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Neural Echos: Depthwise Convolutional Filters Replicate Biological Receptive Fields [56.69755544814834]
  哺乳類網膜で観察される生体受容野を,深部核が効果的に複製していることを示す証拠を提示する。 生体受容の分野からインスピレーションを得る手法を提案する。
  論文  参考訳（メタデータ） (2024-01-18T18:06:22Z)
• Human Eyes Inspired Recurrent Neural Networks are More Robust Against Adversarial Noises [7.689542442882423]
  我々は人間の脳にインスパイアされたデュアルストリーム視覚モデルを設計した。 このモデルは網膜のような入力層を特徴とし、次の焦点(固定点)を決定する2つのストリームと、固定点を取り巻く視覚を解釈する2つのストリームを含む。 このモデルを,物体認識,視線行動,対向強靭性の観点から評価した。
  論文  参考訳（メタデータ） (2022-06-15T03:44:42Z)
• Peripheral Vision Transformer [52.55309200601883]
  我々は生物学的にインスパイアされたアプローチを採用し、視覚認識のためのディープニューラルネットワークの周辺視覚をモデル化する。 本稿では,マルチヘッド自己アテンション層に周辺位置エンコーディングを組み込むことにより,トレーニングデータから視覚領域を様々な周辺領域に分割することをネットワークが学べるようにすることを提案する。 大規模画像Netデータセット上でPerViTと呼ばれる提案したネットワークを評価し,マシン知覚モデルの内部動作を体系的に検討した。
  論文  参考訳（メタデータ） (2022-06-14T12:47:47Z)
• Top-down inference in an early visual cortex inspired hierarchical Variational Autoencoder [0.0]
  我々は変分オートエンコーダの進歩を利用して、自然画像に基づいて訓練された疎い符号化階層型VAEを用いて、初期視覚野を調査する。 一次および二次視覚皮質に見られるものと類似した表現は、軽度の誘導バイアスの下で自然に現れる。 生成モデルを用いた2つの計算のシグネチャに対して,ニューロサイエンスに着想を得た認識モデルの選択が重要であることを示す。
  論文  参考訳（メタデータ） (2022-06-01T12:21:58Z)
• Self-Supervised Vision Transformers Learn Visual Concepts in Histopathology [5.164102666113966]
  我々は、様々な弱い教師付きおよびパッチレベルのタスクに対する検証を行い、様々な自己教師付きモデルを訓練することにより、病理学における良い表現を探索する。 我々の重要な発見は、DINOベースの知識蒸留を用いたビジョントランスフォーマーが、組織像におけるデータ効率と解釈可能な特徴を学習できることを発見したことである。
  論文  参考訳（メタデータ） (2022-03-01T16:14:41Z)
• 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)

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。