論文の概要: From the Drosophila Visual Connectome to General-Purpose Computer Vision

• arxiv url: http://arxiv.org/abs/2610.08418v1
• Date: Tue, 06 Oct 2026 14:22:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 02:58:30.037625
• Title: From the Drosophila Visual Connectome to General-Purpose Computer Vision
• Title（参考訳）: ショウジョウバエの視覚コネクトームから汎用コンピュータビジョンへ
• Abstract要約: 本研究では,並列ON/OFF処理,再並行計算,人口レベルのグラフ相互作用を格納するトレーニング可能なアーキテクチャであるFlyVisionを中心にConnectomeXを開発した。 フライビジョンは80,608個のパラメータを持つMNISTで99.34%、81,408個のパラメータを持つCIFAR-10で78.03%に達した。 これらの結果から, 保存されたコネクトームインフォームド計算は, コンパクトな認識から大規模自然・バイオメディカルビジョンへ拡張可能であることが示された。
• 参考スコア（独自算出の注目度）: 6.2842851201101695
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biological connectomes encode structured solutions to visual computation that may provide reusable inductive biases for artificial vision. We develop ConnectomeX around FlyVision, a trainable architecture that preserves parallel ON/OFF processing, recurrent computation and population-level graph interaction while scaling model capacity across tasks. FlyVision reached 99.34% accuracy on MNIST with 80,608 parameters and 78.03% on CIFAR-10 with 81,408 parameters. On ImageNet-1K, FlyVision Base and Large reached 60.79% and 66.25% top-1 accuracy with 1.8 and 3.7 million parameters, while a Large local-k7 model with a learned low-frequency branch reached 66.53%, compared with 69.25% for ResNet18 with 11.7 million parameters. On a 22-class skin-disease benchmark, FlyVision Large achieved 63.78% accuracy and 95.28% macro-AUROC with 2.99 million parameters. In four-class chest radiography, ImageNet-pretrained FlyVision Base and Large reached 92.60% and 92.76% accuracy with 1.33 and 2.97 million parameters, compared with 91.56% for ImageNet-pretrained ResNet18 with 11.18 million. BrainAGE extends FlyVision to volumetric T1-weighted MRI by applying a shared ImageNet-pretrained FlyVision Large encoder to 24 sagittal, coronal and axial slices per scan and combining slice-level age estimates by confidence-modulated Gaussian voting. On 433 held-out scans, three-axis fusion achieved a mean absolute error of 5.98 years and R^2 = 0.868. Across the 224x224 classification tasks, the best FlyVision configuration remained within three percentage points of ResNet18 on ImageNet-1K and skin-disease classification and exceeded it on chest radiography with substantially fewer parameters. These results show that a conserved connectome-informed computation can scale from compact recognition to large-scale natural and biomedical vision.
• Abstract（参考訳）: 生物学的コネクトームは、人工視覚のための再利用可能な帰納バイアスを提供する視覚計算の構造化された解を符号化する。 タスク間でモデルのキャパシティをスケーリングしながら、並列ON/OFF処理、繰り返し計算、および集団レベルのグラフ相互作用を保存する訓練可能なアーキテクチャであるFlyVisionを中心にConnectomeXを開発した。 フライビジョンは80,608個のパラメータを持つMNISTで99.34%、81,408個のパラメータを持つCIFAR-10で78.03%に達した。 ImageNet-1K では、FlyVision Base と Large が 1.8 と 3.7 のパラメータで 60.79% と 66.25% のトップ-1 の精度に達し、学習された低周波分岐を持つ Large local-k7 モデルは 66.53% に達し、ResNet18 では 69.25% と 11.7 のパラメータで 69.25% に達した。 22クラスの皮膚障害ベンチマークで、FlyVision Largeは63.78%の精度と95.28%のマクロAUROCを2.99万のパラメータで達成した。 4クラスの胸部X線撮影では、ImageNet-pretrained FlyVision Base and Largeが92.60%、92.76%の精度で1.33と2.97万のパラメータで92.76%に達し、ImageNet-pretrained ResNet18は11.18万である。 BrainAGEは、FlyVisionをボリュームT1強調MRIに拡張し、ImageNet-pretrained FlyVision Large Encoderをスキャン毎に24の矢状、コロナ、軸スライスに適用し、信頼度変調されたガウス投票によるスライスレベルの年齢推定を組み合わせる。 433個のホールドアウトスキャンにおいて、3軸核融合は5.98年の平均絶対誤差を達成し、R^2 = 0.868。 224x224の分類タスク全体では、最高のFlyVision構成はImageNet-1K上のResNet18の3ポイント以内に留まり、それよりもかなり少ないパラメータで胸部X線撮影に上った。 これらの結果から, 保存されたコネクトームインフォームド計算は, コンパクトな認識から大規模自然・バイオメディカルビジョンへ拡張可能であることが示された。

関連論文リスト

• AgroVisNet: A lightweight Convolutional Network and the BD-PlantDX Expert-Validated Benchmark for Radish, Potato and Pointed Gourd Disease Classification [0.3686530147760243]
  我々は,BD-PlantDXとともに,スクラッチから学習したコンパクトな畳み込みネットワークであるAgroVisNetを提案する。 BD-PlantDXでは、テスト精度は99.52%、重み付きF1は99.52%に達し、6つのImageNet推奨の軽量バックボーンを超える。 デプロイ用にエクスポートされたこのモデルは、0.46MBのフル整数ネットワークに0.22ポイントの精度で量子化し、1CPUで8.40msの画像を分類する。
  論文  参考訳（メタデータ） (2026-09-09T17:12:17Z)
• On the Image-Based Detection of Tomato and Corn leaves Diseases : An in-depth comparative experiments [0.0]
  本研究は、植物画像分類のための畳み込みニューラルネットワーク(CNN)に基づく、新しい植物病検出モデルを提案する。 このモデルは2つの異なる植物病を4つのカテゴリに分類し、植物病の同定のための新しいテクニックを提示する。
  論文  参考訳（メタデータ） (2023-12-14T05:11:30Z)
• TransNeXt: Robust Foveal Visual Perception for Vision Transformers [0.0]
  生体模倣設計に基づくトークンミキサーAggregated Attentionを提案する。 従来のクエリやキーと対話する学習可能なトークンを組み込んでいます。 集約された注意と畳み込みGLUを組み合わせて、TransNeXtと呼ばれる新しいビジュアルバックボーンを作成します。
  論文  参考訳（メタデータ） (2023-11-28T18:03:27Z)
• EATFormer: Improving Vision Transformer Inspired by Evolutionary Algorithm [111.17100512647619]
  本稿では、実証された実用的な進化的アルゴリズム(EA)と類似したビジョントランスフォーマーの合理性を説明する。 本稿では,EA ベースのトランス (EAT) ブロックのみを含む新しいピラミッド EATFormer バックボーンを提案する。 画像分類,下流タスク,説明実験に関する大規模かつ定量的な実験は,我々のアプローチの有効性と優位性を示すものである。
  論文  参考訳（メタデータ） (2022-06-19T04:49:35Z)
• Focal Modulation Networks [105.93086472906765]
  自己注意(SA)は完全に焦点変調ネットワーク(FocalNet)に置き換えられる ImageNet-1Kの精度は82.3%、83.9%である。 FocalNetsは下流のタスクに転送する際、顕著な優位性を示す。
  論文  参考訳（メタデータ） (2022-03-22T17:54:50Z)
• CMT: Convolutional Neural Networks Meet Vision Transformers [68.10025999594883]
  画像内の長距離依存関係をキャプチャできるため、画像認識タスクに視覚トランスフォーマーがうまく適用されている。 変圧器と既存の畳み込みニューラルネットワーク(CNN)の間には、パフォーマンスと計算コストの差がまだ残っている。 長距離依存関係をキャプチャするトランスフォーマーと、局所的な特徴をモデル化するCNNを利用して、新しいトランスフォーマーベースのハイブリッドネットワークを提案する。 特に、私たちのCMT-SはImageNetで83.5%、FLOPでは14倍、EfficientNetでは2倍の精度を実現しています。
  論文  参考訳（メタデータ） (2021-07-13T17:47:19Z)
• Focal Self-attention for Local-Global Interactions in Vision Transformers [90.9169644436091]
  局所的局所的相互作用と粗大な大域的相互作用の両方を包含する新しいメカニズムである焦点自己アテンションを提示する。 焦点自己アテンションを用いて、最先端の視覚変換器よりも優れた性能を実現する、Focal Transformerと呼ばれる新しい視覚変換器モデルを提案する。
  論文  参考訳（メタデータ） (2021-07-01T17:56:09Z)
• CoAtNet: Marrying Convolution and Attention for All Data Sizes [93.93381069705546]
  トランスフォーマーはモデル容量が大きくなる傾向にあるが、正しい帰納バイアスの欠如により、畳み込みネットワークよりも一般化が悪くなる可能性がある。 2つの重要な洞察から構築されたハイブリッドモデルのファミリーであるCoAtNetsを紹介します。 実験により、我々のCoAtNetsはリソース制約の異なる最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2021-06-09T04:35:31Z)

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。