論文の概要: Hippocampus-DETR: An Explicit Memory Object Detection Framework Based on Hippocampus Modeling
- arxiv url: http://arxiv.org/abs/2606.27831v1
- Date: Fri, 26 Jun 2026 08:17:03 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-29 18:24:25.430722
- Title: Hippocampus-DETR: An Explicit Memory Object Detection Framework Based on Hippocampus Modeling
- Title（参考訳）: Hippocampus-DETR:Hippocampusモデルに基づく明示的メモリオブジェクト検出フレームワーク
- Abstract要約: 本稿では、現在のオブジェクト検出モデルにおける明示的なメモリ機構の欠如について述べる。
生物学的海馬記憶モデルに基づく新しい検出フレームワークであるHippocampus-DETRを提案する。
- 参考スコア（独自算出の注目度）: 9.186233693653014
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This paper addresses the lack of explicit memory mechanisms in current object detection models and proposes Hippocampus-DETR, a novel detection framework based on biological hippocampal memory modeling. This framework integrates a hippocampal memory network module, HipNet, into the DETR architecture and systematically simulates the anatomical structure and functional organization of hippocampal subregions, including the entorhinal cortex, dentate gyrus, CA3, CA1, and subiculum. Through this design, Hippocampus-DETR realizes pattern separation, pattern completion, importance filtering, and information integration of visual encoding features. During training, different memory submodules are optimized using a layer-wise training strategy, ultimately forming a memory system with memory retrieval and completion capabilities. Experimental results demonstrate that Hippocampus-DETR achieves higher detection accuracy than current mainstream models. More importantly, models equipped with this framework also exhibit excellent generalization ability and data efficiency in tasks such as few-shot image classification, multimodal feature construction, and image restoration. Subsequent experiments further validate the functional necessity and internal interpretability of each memory submodule. This study not only provides a novel object detection framework, but also offers a feasible technical pathway for integrating neurocognitive mechanisms with deep learning models, highlighting its significant value in improving model learning efficiency and task robustness. The project is available at https://github.com/2186cloud/hipnet.
- Abstract（参考訳）: 本稿では,現在の物体検出モデルにおける明示的記憶機構の欠如に対処し,生物学的な海馬記憶モデルに基づく新しい検出フレームワークであるHippocampus-DETRを提案する。
このフレームワークは、海馬記憶ネットワークモジュールHipNetをDECアーキテクチャに統合し、海馬皮質、歯状回、CA3、CA1、亜核を含む海馬サブリージョンの解剖学的構造と機能的構造を体系的にシミュレートする。
この設計を通じて、Hippocampus-DETRは、パターン分離、パターン補完、重要フィルタリング、視覚的符号化機能の情報統合を実現する。
トレーニング中、異なるメモリサブモジュールは階層的なトレーニング戦略を用いて最適化され、最終的にメモリ検索と補完機能を備えたメモリシステムを形成する。
実験の結果,Hippocampus-DETRは現在の主流モデルよりも高い検出精度が得られた。
さらに,このフレームワークを組み込んだモデルでは,少数ショット画像分類,マルチモーダル特徴構築,画像復元といったタスクにおいて,優れた一般化能力とデータ効率が期待できる。
その後の実験は、各メモリサブモジュールの機能的必要性と内部解釈可能性をさらに検証した。
本研究は、新しい物体検出フレームワークを提供するだけでなく、深層学習モデルとニューロ認知機構を統合するための実現可能な技術パスを提供する。
プロジェクトはhttps://github.com/2186cloud/hipnet.comから入手できる。
関連論文リスト
- A Neural Network Model of Complementary Learning Systems: Pattern Separation and Completion for Continual Learning [2.9123921488295768]
事前知識を忘れずに新しい情報を学ぶことは、人間の知性の中心である。
対照的に、ニューラルネットワークモデルは、新しい情報を取得する際に破滅的な忘れに苦しむ。
我々は、最先端の精度(90%)に近づいた、神経学的にもっともらしい連続学習モデルを開発する。
本研究は, 生体および人工システムにおいて, メモリ統合, 一般化, 継続学習をモデル化するための機能テンプレートを提供する。
論文 参考訳（メタデータ） (2025-07-15T15:05:26Z) - Latent Structured Hopfield Network for Semantic Association and Retrieval [52.634915010996835]
エピソード記憶は、オブジェクト、場所、時間などの意味的要素をコヒーレントなイベント表現に関連付けることによって、過去の経験を思い出すことができる。
本稿では,連続ホップフィールドアトラクタダイナミクスを自動エンコーダアーキテクチャに統合するフレームワークであるLatent Structured Hopfield Network (LSHN)を提案する。
従来のホップフィールドネットワークとは異なり、我々のモデルは勾配勾配でエンドツーエンドに訓練され、スケーラブルで堅牢なメモリ検索を実現する。
論文 参考訳（メタデータ） (2025-06-02T04:24:36Z) - 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) - MindBridge: A Cross-Subject Brain Decoding Framework [60.58552697067837]
脳の復号化は、獲得した脳信号から刺激を再構築することを目的としている。
現在、脳の復号化はモデルごとのオブジェクトごとのパラダイムに限られている。
我々は,1つのモデルのみを用いることで,オブジェクト間脳デコーディングを実現するMindBridgeを提案する。
論文 参考訳（メタデータ） (2024-04-11T15:46:42Z) - Bio-inspired computational memory model of the Hippocampus: an approach
to a neuromorphic spike-based Content-Addressable Memory [0.0]
本稿では,海馬CA3領域をベースとしたバイオインスパイアされたスパイキングコンテンツ適応型メモリモデルを提案する。
機能, ストレス, 適用性テストに基づく一連の実験を行い, 正しい機能を示すことができた。
本研究は,完全機能型バイオインスパイアされた海馬内容適応型メモリモデルの最初のハードウェア実装を示す。
論文 参考訳（メタデータ） (2023-10-09T17:05:23Z) - A bio-inspired implementation of a sparse-learning spike-based
hippocampus memory model [0.0]
本研究では,海馬に基づくバイオインスパイアされた新しい記憶モデルを提案する。
記憶を覚えたり、キューから思い出したり、同じキューで他の人を学ぼうとする時の記憶を忘れたりできる。
この研究は、完全に機能するバイオインスパイアされたスパイクベースの海馬記憶モデルの最初のハードウェア実装を示す。
論文 参考訳（メタデータ） (2022-06-10T07:48:29Z) - Spike-based computational models of bio-inspired memories in the
hippocampal CA3 region on SpiNNaker [0.0]
完全機能海馬バイオインスパイア記憶のスパイクに基づく2つの計算モデルを開発した。
このモデルは、将来のスパイクベースの実装とアプリケーションへの道を開くかもしれない。
論文 参考訳（メタデータ） (2022-05-10T10:03:50Z) - CogNGen: Constructing the Kernel of a Hyperdimensional Predictive
Processing Cognitive Architecture [79.07468367923619]
神経生物学的に妥当な2つの計算モデルを組み合わせた新しい認知アーキテクチャを提案する。
我々は、現代の機械学習技術の力を持つ認知アーキテクチャを開発することを目指している。
論文 参考訳（メタデータ） (2022-03-31T04:44:28Z) - Hierarchical Variational Memory for Few-shot Learning Across Domains [120.87679627651153]
本稿では,プロトタイプの各レベルが階層メモリから対応する情報を取得する階層型プロトタイプモデルを提案する。
このモデルには、ドメインシフトの状況が要求される場合、異なるセマンティックレベルの機能を柔軟に依存する能力が備わっている。
モデルにおける各コンポーネントの有効性を示すために、徹底的なアブレーション研究を行っている。
論文 参考訳（メタデータ） (2021-12-15T15:01:29Z) - Associative Memories via Predictive Coding [37.59398215921529]
脳内の連想記憶は感覚ニューロンによって登録された活動パターンを受信し、記憶する。
本稿では,知覚ニューロンを介して外部刺激を受ける階層的生成ネットワークに基づいて,連想記憶を実現する新しいニューラルモデルを提案する。
論文 参考訳（メタデータ） (2021-09-16T15:46:26Z) - PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive
Learning [109.84770951839289]
歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。
本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
論文 参考訳（メタデータ） (2021-03-17T08:28:30Z)
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。