論文の概要: What Survives on Real Drawings: Active Sampling, Connectome Wiring, and Matched Baselines in Architectural Document Vision
- arxiv url: http://arxiv.org/abs/2609.24565v2
- Date: Tue, 22 Sep 2026 12:24:47 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.00014
- Title: What Survives on Real Drawings: Active Sampling, Connectome Wiring, and Matched Baselines in Architectural Document Vision
- Title（参考訳）: リアルドローイングで生き残るもの - アクティブサンプリング、コネクトームワイヤリング、そしてアーキテクチャ文書ビジョンにおける一致したベースライン
- Abstract要約: ハエ視覚系のコネクトーム制約されたモデルは、所定の動きによって建築図面上を駆動することができる。
我々は、同じ721光受容体サンプルを見ることができる情報マッチングベースラインと比較する。
クリーンな合成データでは、凍結したモデルが転送されるが、タスクトレーニングに負ける。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A connectome-constrained model of the fly visual system, optimized for motion and then frozen, can be driven over architectural drawings by prescribed motion and used as a texture representation. We compare it with information-matched baselines that see the same 721 photoreceptor samples. On clean synthetic data the frozen model transfers but loses to task training: 0.857 area-weighted accuracy in one-shot hatch matching versus 0.959 for a 5,888-parameter CNN, and 0.619 IoU in wall segmentation versus 0.905 for a matched network. Under scan noise and thickened strokes, the trained networks lose up to 0.188 accuracy while the frozen pipeline loses 0.030. On fourteen production sheets, opened once, a 1,876-parameter fly model reaches 0.505 average precision versus 0.415 for a network two hundred times larger. A preregistered held-out split confirms the clean-data ordering: 0.835 for the circuit, 0.894 for receptors only, and 0.971-0.980 for trained CNNs. Rewiring the connectome while preserving degrees or type pairs and transmitter signs costs 0.271-0.356 accuracy across three seeds, so the exact wiring is load-bearing. Yet the intact circuit does not beat its moving retina, and T4/T5 silencing leaves both tasks intact. Longer observations reverse the circuit-receptor ordering once the stimulus spans a period, but not through T4/T5. Thus active sampling and exact structure matter, while clean-data practical performance remains dominated by task-trained networks and the useful transfer margin is largely retinal.
- Abstract（参考訳）: 動きに最適化され冷凍されたハエ視覚系のコネクトーム拘束モデルが、所定の動きによって建築図面上を駆動され、テクスチャ表現として使用される。
我々は、同じ721光受容体サンプルを見ることができる情報マッチングベースラインと比較する。
クリーンな合成データでは、凍結したモデルがタスクトレーニングに負ける: 一発ハッチマッチングにおいて0.857の領域重み付け精度が5,888パラメータCNNでは0.959、壁分割では0.619のIoU、マッチしたネットワークでは0.905である。
スキャンノイズと強調ストロークでは、トレーニングされたネットワークは0.188の精度で失われ、凍結されたパイプラインは0.030の精度で失われる。
一度オープンした14枚の生産シートでは、1,876パラメートルのフライモデルの平均精度が0.505、ネットワークが2倍の0.415に達する。
事前登録されたホールドアウトスプリットはクリーンデータの順序を確認し、回路は0.835、受容体は0.894、訓練されたCNNは0.971-0.980である。
コンコネクトームを2級または2級に保ち、送信機標識は3つの種に0.271-0.356の精度で接続するので、正確な配線は負荷がかかる。
T4/T5サイレンシングは、両方のタスクをそのまま残します。
長い観察では、刺激が周期にまたがると回路受容体の順序が逆になるが、T4/T5を介してはならない。
このように、アクティブサンプリングと正確な構造は、クリーンデータの実用的な性能はタスク訓練されたネットワークに支配され、有用な転送マージンは概ね網膜である。
関連論文リスト
- NObSP: Functional Decomposition of Neural Networks via Oblique Subspace Projections [41.99844472131922]
提案するNObSPは,予測を機能毎の明示的なコントリビューション関数と相互作用残差に分解するフレームワークである。
NobSPはトレーニングされたネットワークの線形最終層を利用して、サンプル空間における斜め投影を用いて二重カウントを削減する。
畳み込みネットワークでは、NObSP-CAMは1回のキャリブレーション後に後方通過なしでクラスアクティベーションマップを生成する。
論文 参考訳（メタデータ） (2026-09-15T20:40:44Z) - Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。
検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。
ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
論文 参考訳（メタデータ） (2026-09-07T15:03:36Z) - Clinical Reasoning Under a Partially Observed Objective in Cone Beam CT Report Generation [0.0]
コーンビーム計算トモグラフィーによる顎顔面画像生成は, 実包含量判定の大規模言語モデルにおいて, 80%の重量を重み付けする複合目的によって評価される。
グレーダのBLEU-4とMETEORルーチンは純粋なPythonで再現され、機械の精度に一致する。
論文 参考訳（メタデータ） (2026-09-02T15:06:06Z) - Learning Manipulation-Sufficient Representations via Outcome Bottlenecks [7.044221981512693]
ネットワーク操作エンドポイントは、計算と帯域幅に制限のあるリンク間でのアクティベーションに対する認識を2つに分けている。
表現は、ポリシーフリーでアクション条件付きの結果ボトルネックで学習される。
有限プローブ定理は、局所レベル集合の接空間と結果ヤコビアンの零空間を識別する。
論文 参考訳（メタデータ） (2026-09-02T13:22:35Z) - SketchMamba: A Lightweight State-Space Model for Joint Progressive Sketch Classification and Stroke Auto-Completion [0.0]
既存のベクトルスケッチモデルは、認識と生成を別のタスクとして扱う。
スケッチマンバ(SketchMamba)は、任意の部分的な接頭辞からスケッチを連続的に分類し、その継続を同時に生成する単一因果配列モデルである。
論文 参考訳（メタデータ） (2026-07-26T10:05:23Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - SPATE: Spiking-Phase Adaptive Temporal Encoding for Quantum Machine Learning [3.1061484260786014]
本稿では,時間構造を量子特徴量に組み込んだ効果的な符号化機構としてスパイクに基づくデータ表現を用いる。
新しいスパイク駆動時間符号化法が提案され、実値のタブ状特徴を漏れきりのスパイク列車に変換し、スパイク統計を量子回転にマッピングする。
階層化されたクロスバリデーションの下では、SPATEは複数のデータセットにまたがるより強力な表現をもたらす。
論文 参考訳（メタデータ） (2026-04-13T05:41:03Z) - Automated Circuit Interpretation via Probe Prompting [0.0]
本稿では、帰属グラフをコンパクトで解釈可能な部分グラフに変換する自動パイプラインであるプローブプロンプトを提案する。
5つのプロンプトにまたがって、プローブプロンプトされたサブグラフは、複雑さを圧縮しながら高い説明的カバレッジを保っている。
幾何学的クラスタリングベースラインと比較すると、概念整列群はより高い行動コヒーレンスを示す。
論文 参考訳（メタデータ） (2025-11-10T11:53:36Z) - Telling Left from Right: Identifying Geometry-Aware Semantic Correspondence [80.6840060272386]
本稿では,意味的対応のための幾何学的認識の重要性を明らかにする。
この情報を活用することで,意味的対応性能が著しく向上することを示す。
提案手法は,SPair-71kデータセット上で,65.4(ゼロショット)と85.6(教師)のPCK@0.10スコアを達成する。
論文 参考訳（メタデータ） (2023-11-28T18:45:13Z) - Chest x-ray automated triage: a semiologic approach designed for
clinical implementation, exploiting different types of labels through a
combination of four Deep Learning architectures [83.48996461770017]
本研究では,異なる畳み込みアーキテクチャの後期融合に基づく深層学習手法を提案する。
公開胸部x線画像と機関アーカイブを組み合わせたトレーニングデータセットを4つ構築した。
4つの異なるディープラーニングアーキテクチャをトレーニングし、それらのアウトプットとレイトフュージョン戦略を組み合わせることで、統一されたツールを得ました。
論文 参考訳（メタデータ） (2020-12-23T14:38:35Z)
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。