論文の概要: Structured Visual Target Learning For Cross-Subject eeg-to-image retrieval

• arxiv url: http://arxiv.org/abs/2609.36971v1
• Date: Tue, 29 Sep 2026 08:07:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.312014
• Title: Structured Visual Target Learning For Cross-Subject eeg-to-image retrieval
• Title（参考訳）: クロスオブジェクト eeg-to-image 検索のための構造化ビジュアルターゲット学習
• Abstract要約: 物体間EEG-to-image検索では、被験者にトレーニングされたニューラル・リプレッセン・テイションが、見えない被験者の視覚的な埋め込み空間と一致し続ける必要がある。 視覚的対象の観点から,この問題に対処する。 提案手法はパーセプションの空間情報を保存し、そのパッチグリッドを学習された視覚ビューのコンパクトなセットに変換し、ブロック構造されたコンテンツ依存ルータで各画像に集約する。
• 参考スコア（独自算出の注目度）: 16.928838376589205
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-subject EEG-to-image retrieval requires a neural represen- tation trained on source subjects to remain aligned with a visual embedding space for an unseen subject. Whereas existing methods primarily focus on the EEG side, we address this problem from the perspective of the visual target. Our approach preserves the spatial information of the Perception Encoder, converts its patch grid into a compact set of learned visual views, and aggregates them for each image with a block-structured, content-dependent router. The target is learned jointly with the EEG encoder through contrastive learning with MMD regularization across source subjects. For deployment, we propose a training-free representation refinement that aligns frozen embeddings without updating either encoder. Under leave- one-subject-out evaluation on THINGS-EEG2, the structured target achieves 35.3%/65.6% Top-1/Top-5 accuracy, the best among com- pared methods. Refinement raises this to 48.1%/77.1%, an 18.5% Top-1 gain over the strongest compared method, improving all ten held-out subjects.
• Abstract（参考訳）: 物体間EEG-to-image検索では、被験者にトレーニングされたニューラル・リプレッセン・テイションが、見えない被験者の視覚的な埋め込み空間と一致し続ける必要がある。 既存の手法は主に脳波に焦点をあてるが、視覚的対象の観点からこの問題に対処する。 提案手法はパーセプションエンコーダの空間情報を保存し、そのパッチグリッドを学習された視覚ビューのコンパクトなセットに変換し、ブロック構造化されたコンテンツ依存ルータで各画像に集約する。 対象は脳波エンコーダと共同で学習し,MMD正則化と対比学習を行う。 本稿では, いずれのエンコーダも更新することなく, 凍結埋め込みを整列させる訓練自由表現の改良を提案する。 THINGS-EEG2の離脱単射評価では、構造化されたターゲットは35.3%/65.6%のTop-1/Top-5精度を達成している。 このリファインメントは48.1%/77.1%に上昇し、最強比較法よりも18.5%のTop-1が上昇し、保持対象者10人すべてが改善した。

関連論文リスト

• RPA: Residual Patch-Token Adapter for Image Retrieval from EEG and MEG [4.402959686940895]
  In the Residual Patch Adapter (RPA) - ViTビジュアルエンコーダの中間層から全てのパッチトークンを利用してアライメントを行う軽量モジュール型アダプタ。 脳波のアライメントにはパッチトークンの完全なセットを保持することが重要ですが、CLSトークンはほとんどユニークな情報を提供していません。 現在のプロトコルでは、トップ1の精度は95.4%、クロスオブジェクトの35.5%であり、それぞれ65.2%と6.7%である。
  論文  参考訳（メタデータ） (2026-09-19T01:40:00Z)
• SCORE: Subject Coordinate Recovery for Label-Free Cross-Subject EEG-to-Image Retrieval [11.943434510766949]
  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。
  論文  参考訳（メタデータ） (2026-08-19T17:27:29Z)
• DiCE-CIR: Direct Composition Learning for Efficient Zero-Shot Composed Image Retrieval [52.15696141238419]
  ゼロショット合成画像検索(ZS-CIR)は、参照画像と編集テキストからなるマルチモーダルクエリから対象画像を検索することを目的としている。 提案するDiCE-CIRは,参照画像と編集テキストを直接合成することで,合成されたクエリ表現を予測する直接合成学習手法である。
  論文  参考訳（メタデータ） (2026-07-06T04:37:30Z)
• 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)
• Semantic-Aware Generation for Self-Supervised Visual Representation Learning [116.5814634936371]
  セマンティック・アウェア・ジェネレーション(SaGe)は、生成した画像に保存される詳細よりも、よりリッチなセマンティクスを促進する。 SaGeは、ターゲットネットワークをビュー特有の特徴で補完することで、集中的なデータ拡張によって引き起こされるセマンティックな劣化を軽減する。 我々は、ImageNet-1K上でSaGeを実行し、近接検定、線形分類、微視的画像認識を含む5つの下流タスクで事前訓練されたモデルを評価する。
  論文  参考訳（メタデータ） (2021-11-25T16:46:13Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• 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)
• DeepEMD: Differentiable Earth Mover's Distance for Few-Shot Learning [122.51237307910878]
  我々は,画像領域間の最適なマッチングの新しい視点から,少数ショット画像分類法を開発した。 我々は、高密度画像表現間の構造距離を計算するために、Earth Mover's Distance (EMD) を用いている。 定式化において重要な要素の重みを生成するために,我々は相互参照機構を設計する。
  論文  参考訳（メタデータ） (2020-03-15T08:13:16Z)

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。