論文の概要: SCORE: Subject Coordinate Recovery for Label-Free Cross-Subject EEG-to-Image Retrieval
- arxiv url: http://arxiv.org/abs/2608.19134v1
- Date: Wed, 19 Aug 2026 17:27:29 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-20 20:13:55.476943
- Title: SCORE: Subject Coordinate Recovery for Label-Free Cross-Subject EEG-to-Image Retrieval
- Title（参考訳）: SCORE: ラベルなしクロスオブジェクト脳波画像検索のための主観的コーディネート回復
- Abstract要約: 現在のEEG-to-image検索手法は,ラベル付きキャリブレーションのない新規ユーザに対して,内部オブジェクトよりもはるかに低い精度で動作している。
本稿では、リカバリ対応ソーストレーニングとデプロイメント時の座標調整を組み合わせた、ターゲットラベルのないフレームワークSCOREを提案する。
- 参考スコア（独自算出の注目度）: 11.943434510766949
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate visual decoding can reveal how the brain represents visual information and recover perceived content from neural signals such as electroencephalography (EEG), with potential for neural communication. However, current EEG-to-image retrieval methods perform far below their within-subject counterparts for new users without labeled calibration, limiting real-world deployment. To understand this gap, we analyze EEG features across subjects and find that different subjects preserve similar relationships among concepts but express them along different coordinate directions. We therefore propose Subject Coordinate Recovery (SCORE), a target label-free framework combining recovery-aware source training with coordinate alignment at deployment. During training, SCORE aligns source subject EEG with a common image space and simulates unseen-subject recovery through source-only episodes. At deployment, with both encoders frozen, SCORE selects reliable EEG-image landmarks through hubness-corrected matching and estimates an orthogonal transformation to recover target EEG coordinates without source data or target labels. In 200-way retrieval on two public benchmarks, SCORE outperforms the unadapted baseline for every target subject and achieves the best overall accuracy. It reaches 53.23%/83.55% and 12.01%/32.16% Top-1/Top-5 on THINGS-EEG2 and Alljoined-1.6M, respectively, surpassing the strongest baselines by 17.45/15.70 and 3.08/4.62 percentage points. Without target labels or encoder updates, SCORE brings brain-based visual decoding closer to robust, practical, low-latency deployment across users.
- Abstract（参考訳）: 正確な視覚復号法は、脳が視覚情報をどのように表現し、脳波(EEG)などの神経信号から認識された内容を回復し、神経通信の可能性を明らかにすることができる。
しかし、現在のEEG-to-image検索手法は、キャリブレーションをラベル付けせずに、現実世界のデプロイメントを制限しない新規ユーザに対して、内部オブジェクトよりもはるかに低い性能を発揮する。
このギャップを理解するために、被験者間での脳波の特徴を分析し、異なる被験者が概念間の類似した関係を保ちながら、異なる座標方向でそれらを表現することを発見した。
そこで我々は、リカバリ対応ソーストレーニングとデプロイメント時の座標調整を組み合わせた、ターゲットラベルのないフレームワークSCOREを提案する。
トレーニング中、SCOREはソース対象の脳波を共通のイメージ空間と整列し、ソースのみのエピソードを通して未確認オブジェクトの回復をシミュレートする。
両方のエンコーダが凍結された状態で、SCOREはハブ性補正マッチングを通じて信頼できるEEGイメージのランドマークを選択し、ソースデータやターゲットラベルなしでターゲットのEEG座標を復元するための直交変換を推定する。
2つの公開ベンチマークでの200ウェイの検索では、SCOREは対象対象ごとに未適応のベースラインを上回り、全体的な精度が最良である。
THINGS-EEG2では53.23%/83.55%、Top-1/Top-5では12.01%/32.16%、Alljoined-1.6Mでは17.45/15.70、3.08/4.62となっている。
ターゲットラベルやエンコーダのアップデートがなければ、SCOREは脳ベースの視覚的デコーディングを、ユーザ間の堅牢で実用的で低レイテンシなデプロイメントに近づける。
関連論文リスト
- CORTIVA: Candidate-Score Fusion of Complementary Visual Teachers for EEG- and MEG-to-Image Retrieval [4.19305370463618]
非侵襲的な脳活動から視覚体験をデコードすることは神経科学と脳-コンピュータインターフェースの中心である。
EEGとMEGはミリ秒の解像度を提供し、画像検索を魅力的にする。
ほとんどのシステムは、ランク付けする前に、均一な視覚的監督を単一の埋め込みに分解する。
この相補的な証拠を保存した候補スコア融合フレームワークであるCORTIVAを提案する。
論文 参考訳（メタデータ） (2026-08-02T16:14:22Z) - What Does the Brain See? Multiview Neural Representations to Demystify the Brain-Visual Alignment [16.54359569394021]
脳の反応を視覚的セマンティックな埋め込みと整合させるための統合型多視点脳波表現学習フレームワークを提案する。
提案手法は,物体内部設定において54.8%のTop-1,85.6%のTop-5,クロスオブジェクト設定では15.3%のTop-1,45.4%のTop-5の精度を有する。
論文 参考訳（メタデータ） (2026-06-24T11:33:21Z) - MindAlign: Bridging EEG, Vision, and Language for Zero-Shot Visual Decoding [36.958608375007124]
脳信号からの視覚的復号化は、コンピュータビジョンと神経科学の交差において重要な課題である。
本稿では,脳波,視覚,テキスト表現の整合性を考慮した,脳波に基づく視覚的デコーディングのための3モーダルコントラストフレームワークを提案する。
論文 参考訳（メタデータ） (2026-05-23T11:23:21Z) - Subject-Aware Multi-Granularity Alignment for Zero-Shot EEG-to-Image Retrieval [6.9700202682590024]
ゼロショット脳波画像検索のための主観的マルチグラニュラリティアライメント(SAMGA)フレームワークを提案する。
SAMGAは、まず、事前学習された視覚エンコーダから複数の中間表現を適応的に集約することにより、対象を意識した視覚監視ターゲットを構築する。
THINGS-EEGベンチマークの実験では、提案手法はオブジェクト内設定で91.3%のTop-1と98.8%のTop-5の精度、オブジェクト間設定で34.4%のTop-1と64.8%のTop-5の精度を達成した。
論文 参考訳（メタデータ） (2026-04-20T04:10:30Z) - Learning Interpretable Representations Leads to Semantically Faithful EEG-to-Text Generation [52.51005875755718]
我々は脳波からテキストへの復号に焦点をあて、後部崩壊のレンズを通して幻覚の問題に対処する。
脳波とテキスト間の情報容量のミスマッチを認め、デコードタスクをコア意味のセマンティックな要約として再設計する。
パブリックなZuCoデータセットの実験では、GLIMが一貫して、流動的なEEG基底文を生成することが示されている。
論文 参考訳（メタデータ） (2025-05-21T05:29:55Z) - CognitionCapturer: Decoding Visual Stimuli From Human EEG Signal With Multimodal Information [61.1904164368732]
脳波信号の表現にマルチモーダルデータを完全に活用する統合フレームワークであるCognitionCapturerを提案する。
具体的には、CognitionCapturerは、各モダリティに対してモダリティエキスパートを訓練し、EEGモダリティからモダリティ情報を抽出する。
このフレームワークは生成モデルの微調整を一切必要とせず、より多くのモダリティを組み込むように拡張することができる。
論文 参考訳（メタデータ） (2024-12-13T16:27:54Z) - CSLP-AE: A Contrastive Split-Latent Permutation Autoencoder Framework
for Zero-Shot Electroencephalography Signal Conversion [49.1574468325115]
脳波分析の鍵となる目的は、基礎となる神経活動(コンテンツ)を抽出し、個体の変動(スタイル)を考慮することである。
近年の音声変換技術の発展に触発されて,脳波変換を直接最適化するCSLP-AEフレームワークを提案する。
論文 参考訳（メタデータ） (2023-11-13T22:46:43Z) - Decoding Natural Images from EEG for Object Recognition [8.411976038504589]
本稿では,脳波信号からの学習画像表現の実現可能性を示すための自己教師型フレームワークを提案する。
我々はトップ1の精度を15.6%、トップ5の精度を42.8%で達成し、200ウェイゼロショットタスクに挑戦する。
これらの発見は、実世界のシナリオにおける神経復号と脳-コンピュータインタフェースの貴重な洞察をもたらす。
論文 参考訳（メタデータ） (2023-08-25T08:05:37Z) - Gradient-Induced Co-Saliency Detection [81.54194063218216]
Co-SOD(Co-saliency Detection)は、一般的な唾液前景を関連画像のグループに分割することを目的としている。
本稿では,人間の行動にインスパイアされた,勾配誘導型共分散検出法を提案する。
論文 参考訳（メタデータ） (2020-04-28T08:40:55Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z) - Take an Emotion Walk: Perceiving Emotions from Gaits Using Hierarchical Attention Pooling and Affective Mapping [55.72376663488104]
本稿では、ビデオやモーションキャプチャーデータから得られた歩行スタイルから、知覚された人間の感情を分類するためのオートエンコーダに基づくアプローチを提案する。
3次元ポーズシーケンスから抽出した各ステップのポーズにおける各関節の動きを考慮し、これらの関節の動きをエンコーダに階層的にプールする。
我々はデコーダを訓練し、潜伏埋め込みからトップダウン方式で1ステップ当たりの関節の動きを再構築する。
論文 参考訳（メタデータ） (2019-11-20T05:04:16Z)
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。