論文の概要: A Theory-grounded Hybrid Neural Network Integrating Complementary Estimation Mechanisms for Stable Visual Object TrackingA

• arxiv url: http://arxiv.org/abs/2606.22604v1
• Date: Sun, 21 Jun 2026 17:22:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:26:33.265908
• Title: A Theory-grounded Hybrid Neural Network Integrating Complementary Estimation Mechanisms for Stable Visual Object TrackingA
• Title（参考訳）: 安定な物体追跡のための相補的推定機構を統合した理論基底型ハイブリッドニューラルネットワーク
• Authors: Yancheng Zhou, Hanle Zheng, Lei Deng, Yujie Wu,
• Abstract要約: 神経科学では、連続性誘引神経ネットワーク(CANN)は神経アンサンブルを通して連続状態を表現している。 本稿では,理論に基づくANN-CANNハイブリッド化フレームワークを提案し,視覚オブジェクト追跡のためのハイブリッドトラッキングニューラルネットワーク(HTNN)としてインスタンス化する。 この相補性を運用することで、HTNNは9つのビジュアルトラッキングベンチマークで安定かつ正確なトラッキングを実現する。
• 参考スコア（独自算出の注目度）: 4.381929045685358
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Hybrid neural networks (HNNs) that integrate artificial neural networks (ANNs) with brain-inspired neural networks have achieved broad success across perception and control tasks. However, much of the current success is confined to neuron-scale hybridization, where discrete, spike-based coding fundamentally limits applicability to continuous-state estimation tasks. In neuroscience, continuous attractor neural networks (CANNs) represent continuous states through neural ensembles, pointing to a population-scale route for HNNs to address this limitation. Yet, principled methodologies for ANN-CANN integration remain largely underexplored. In this work, we propose a theory-grounded ANN-CANN hybridization framework and instantiate it as a hybrid tracking neural network (HTNN) for visual object tracking, a representative continuous-state estimation task. The framework aligns ANN response maps with CANN dynamics in the same state space, enabling the two heterogeneous branches to interact through the shared state representation. Furthermore, we uncover a functional bias-variance complementarity: data-driven ANNs provide asymptotically unbiased estimates, while CANN estimates are low-variance but temporally lagged. By operationalizing this complementarity, HTNN achieves stable and accurate tracking across nine visual tracking benchmarks, consistently outperforming single-network baselines and existing hybrid models. Notably, these performance gains are robustly maintained even under diverse environmental variations, including occlusion, motion blur, and background interference. Through this proof-of-concept study, our framework offers a generalizable foundation for advancing HNNs toward population-scale hybridization.
• Abstract（参考訳）: 人工ニューラルネットワーク(ANN)と脳に触発されたニューラルネットワークを統合するハイブリッドニューラルネットワーク(HNN)は、認識と制御タスクで広く成功している。 しかし、現在の成功の大部分はニューロンスケールのハイブリダイゼーションに限られており、離散的なスパイクベースのコーディングは、基本的に連続状態推定タスクの適用性を制限している。 神経科学において、連続性誘引神経ネットワーク(CANN)は神経アンサンブルを通して連続した状態を表現し、HNNがこの制限に対処するための集団規模のルートを指し示している。 しかし、ANN-CANN統合の原則的方法論はほとんど未検討のままである。 本研究では,理論に基づくANN-CANNハイブリッド化フレームワークを提案し,それを視覚オブジェクト追跡のためのハイブリッドトラッキングニューラルネットワーク(HTNN)としてインスタンス化する。 このフレームワークは、ANN応答マップを同じ状態空間のCANNダイナミックスと一致させ、2つの異種分岐が共有状態表現を介して相互作用できるようにする。 さらに,データ駆動型ANNは漸近的に偏りのない推定を提供するが,CANN推定は低分散だが時間ラグである。 この相補性を運用することで、HTNNは9つのビジュアルトラッキングベンチマークで安定かつ正確なトラッキングを実現し、一貫してシングルネットワークベースラインと既存のハイブリッドモデルを上回っている。 特に、これらの性能向上は、閉塞、動きのぼかし、背景干渉を含む様々な環境変動の下でも、しっかりと維持されている。 この概念実証研究を通じて、我々のフレームワークは、HNNを人口規模でのハイブリッド化に向けて進めるための一般化可能な基盤を提供する。

関連論文リスト

• Cannistraci-Hebb Training on Ultra-Sparse Spiking Neural Networks [10.30800655748035]
  スパイキングニューラルネットワーク(SNN)は本質的に時間的アクティベーション間隔を持つ。 既存の手法では、大きな性能損失を伴わずに超スパースネットワーク構造を達成できない。 本稿では,SNN のための新規かつ一般化可能な動的スパーストレーニングフレームワークである Cannistraci-Hebb Spiking Neural Network (CH-SNN) を提案する。
  論文  参考訳（メタデータ） (2025-11-05T07:59:19Z)
• Proxy Target: Bridging the Gap Between Discrete Spiking Neural Networks and Continuous Control [59.65431931190187]
  スパイキングニューラルネットワーク(SNN)は、ニューロモルフィックハードウェア上で低レイテンシかつエネルギー効率の意思決定を提供する。 連続制御のためのほとんどの連続制御アルゴリズムは、人工ニューラルネットワーク(ANN)のために設計されている。 このミスマッチはSNNのトレーニングを不安定にし、性能を劣化させる。 離散SNNと連続制御アルゴリズムのギャップを埋める新しいプロキシターゲットフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-05-30T03:08:03Z)
• Temporal Misalignment in ANN-SNN Conversion and Its Mitigation via Probabilistic Spiking Neurons [17.73940693302129]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)よりもエネルギー効率の良い代替手段を提供する 本研究では,ANN-SNN変換フレームワークにおいて,時間的ミスアライメント(temporal misalignment)と呼ばれる現象を同定する。 生物学的に可塑性二相確率性(TPP)刺激ニューロンを導入し,変換過程をさらに強化した。
  論文  参考訳（メタデータ） (2025-02-20T12:09:30Z)
• P-SpikeSSM: Harnessing Probabilistic Spiking State Space Models for Long-Range Dependency Tasks [1.9775291915550175]
  スパイキングニューラルネットワーク(SNN)は、従来のニューラルネットワークに代わる計算効率が高く生物学的に妥当な代替品として提案されている。 長距離依存タスクのためのスケーラブルな確率的スパイク学習フレームワークを開発した。 我々のモデルは、様々な長距離依存タスクにまたがるSNNモデル間の最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-06-05T04:23:11Z)
• Advancing Spiking Neural Networks towards Multiscale Spatiotemporal Interaction Learning [10.702093960098106]
  スパイキングニューラルネットワーク(SNN)は、ニューラルネットワーク(ANN)のエネルギー効率の良い代替品として機能する 我々は、マルチスケールの時間的相互作用情報をキャプチャするスパイキング・マルチスケール・アテンション(SMA)モジュールを設計した。 われわれのアプローチは、主流のニューラルネットワークで最先端の結果を得た。
  論文  参考訳（メタデータ） (2024-05-22T14:16:05Z)
• LC-TTFS: Towards Lossless Network Conversion for Spiking Neural Networks with TTFS Coding [55.64533786293656]
  我々は,AIタスクにおいて,ANNのアクティベーション値とSNNのスパイク時間とのほぼ完全なマッピングを実現することができることを示す。 この研究は、電力制約のあるエッジコンピューティングプラットフォームに超低消費電力のTTFSベースのSNNをデプロイする方法を舗装している。
  論文  参考訳（メタデータ） (2023-10-23T14:26:16Z)
• A Hybrid Neural Coding Approach for Pattern Recognition with Spiking Neural Networks [53.31941519245432]
  脳にインスパイアされたスパイクニューラルネットワーク(SNN)は、パターン認識タスクを解く上で有望な能力を示している。 これらのSNNは、情報表現に一様神経コーディングを利用する同質ニューロンに基づいている。 本研究では、SNNアーキテクチャは異種符号化方式を組み込むよう、均質に設計されるべきである、と論じる。
  論文  参考訳（メタデータ） (2023-05-26T02:52:12Z)
• A Hybrid ANN-SNN Architecture for Low-Power and Low-Latency Visual Perception [27.144985031646932]
  Spiking Neural Networks(SNN)は、バイオインスパイアされたニューラルネットワークの一種で、エッジデバイスに低消費電力で低レイテンシな推論をもたらすことを約束する。 イベントベース2Dおよび3Dヒューマンポーズ推定の課題について,本手法では,ANNに比べて性能を4%低下させることなく,88%の消費電力を消費することを示した。
  論文  参考訳（メタデータ） (2023-03-24T17:38:45Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)

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。