論文の概要: FoAViS: Analyzing Learned Fixation Strategies in a Foveated Active Vision System
- arxiv url: http://arxiv.org/abs/2610.41987v1
- Date: Fri, 30 Oct 2026 16:34:59 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-02 22:05:31.811503
- Title: FoAViS: Analyzing Learned Fixation Strategies in a Foveated Active Vision System
- Title（参考訳）: FoAViS:Foveated Active Vision Systemにおける学習的固定方略の分析
- Abstract要約: 同じ方法で情報を処理する機械システムを構築することで、制御された環境で視線行動を研究することができる。
本稿では,2次元空間記憶において,確立した対数極性フェーベーションを用いて視覚入力をサンプリングし,情報を蓄積するシステムを提案する。
学習した固定政策は、非学習者よりも、より情報に富んだタスク固有の場所を選択する。
- 参考スコア（独自算出の注目度）: 37.146610930186846
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Human vision is foveated and active: resolution is highest at the fovea and falls off towards the periphery, and fixations are actively directed to locations of interest. Building a machine system that processes information in the same way lets us study gaze behavior in a controlled setting where the system's components and objectives are known. The emergence of gaze characteristics can therefore be examined systematically, which may in turn inform our understanding of biological vision. This requires a model that can sample like the fovea, handle various tasks from classification to dense prediction, and be trained concurrently with a fixation policy. In our study, we present such a system and study its capabilities and the fixation policies that emerge from it. Our system, FoAViS, samples visual input by adopting the established log-polar foveation and accumulates information in a 2D spatial memory. Due to its 2D structure, the same memory can be read out globally for classification or densely for semantic segmentation, without any architectural change. Fixations are drawn from a 2D map by a policy trained concurrently with the task. We find that learned fixation policies select more informative, task-specific locations than non-learned heuristics. These policies also shape the task representations in a beneficial way: for both classification and segmentation, models trained concurrently with a policy outperform models trained with random locations, even when the latter are provided with learned scanpaths. Moreover, these scanpaths exhibit similarities to human gaze behavior by capturing aspects of empirical scanpath characteristics. Our work marks an important step away from standard passive, single-pass architectures, towards biologically grounded models of vision. It opens a path for studying goal-directed gaze behavior and information representation in the visual system.
- Abstract（参考訳）: 人間の視力は絶望的で活動的であり、解像度は焦点で最高であり、周囲に向かって落ち、固定は関心のある場所に活発に向けられる。
同じ方法で情報を処理する機械システムを構築することで、システムのコンポーネントや目的が知られている制御された環境での視線行動を研究することができる。
したがって、視線特性の出現を体系的に検討し、生物学的視覚の理解を知らせることができる。
これは、フォビアのようなサンプルを採取し、分類から密集した予測まで様々なタスクを処理し、固定ポリシーで同時に訓練するモデルを必要とする。
本研究では,そのようなシステムを紹介し,その能力とそれから生じる固定政策について検討する。
我々のシステムであるFoAViSは、確立された対数極性フェーベーションを採用して視覚入力をサンプリングし、2次元空間記憶に情報を蓄積する。
2D構造のため、同じメモリをグローバルに読み出して分類したり、セマンティックセグメンテーションのために密集させたりすることができる。
修正は、タスクと同時に訓練されたポリシーによって、2Dマップから引き出される。
学習した固定政策は、非学習ヒューリスティックスよりも、より情報に富んだタスク固有の場所を選択する。
これらのポリシーはまた、タスク表現を有益な方法で形成する: 分類とセグメンテーションの両方において、ランダムな位置で訓練されたモデルで同時に訓練されたモデルは、学習されたスキャンパスが提供される場合であっても、ランダムな位置で訓練されたモデルより優れている。
さらに、これらのスキャンパスは、経験的スキャンパス特性の側面を捉えることにより、人間の視線行動と類似性を示す。
私たちの仕事は、標準的な受動的でシングルパスアーキテクチャから、生物学的に根ざした視覚モデルへの重要な一歩を踏み出します。
視覚系におけるゴール指向の視線行動と情報表現を研究するための経路を開く。
関連論文リスト
- Visual Context-Aware Person Fall Detection [52.49277799455569]
画像中の個人とオブジェクトを半自動分離するセグメンテーションパイプラインを提案する。
ベッド、椅子、車椅子などの背景オブジェクトは、転倒検知システムに挑戦し、誤ったポジティブアラームを引き起こす。
トレーニング中のオブジェクト固有のコンテキスト変換が、この課題を効果的に軽減することを示す。
論文 参考訳（メタデータ） (2024-04-11T19:06:36Z) - Open-World Semantic Segmentation Including Class Similarity [31.799000996671975]
本論文は, オープンワールドのセマンティックセマンティックセグメンテーション, すなわち, トレーニング中に未確認の物体を解釈する画像データの変種に対処する。
本稿では,クローズドワールドのセマンティックセグメンテーションを正確に行う新しい手法を提案する。
論文 参考訳（メタデータ） (2024-03-12T11:11:19Z) - Revisiting Self-supervised Learning of Speech Representation from a
Mutual Information Perspective [68.20531518525273]
我々は、情報理論の観点から、既存の自己教師型音声の手法を詳しく検討する。
我々は線形プローブを用いて、対象情報と学習された表現の間の相互情報を推定する。
我々は、ラベルを使わずに、データの異なる部分間の相互情報を見積もる自己教師型の表現を評価する可能性を探る。
論文 参考訳（メタデータ） (2024-01-16T21:13:22Z) - Integrating cognitive map learning and active inference for planning in
ambiguous environments [8.301959009586861]
本研究では,不確実性下での計画を支援するアクティブ推論エージェント内での認知地図形成の統計モデルの統合を提案する。
具体的には,認知地図形成のクローン構造化認知グラフ(CSCG)モデルについて検討し,ナイーブなクローングラフエージェントとアクティブな推論駆動のクローングラフエージェントを比較した。
以上の結果から,両エージェントは単純なシナリオでは有効であるが,センサ観測が位置に関する曖昧な情報を提供する難易度の高いシナリオでは,アクティブ・推論・エージェントがより効果的であることが示唆された。
論文 参考訳（メタデータ） (2023-08-16T12:10:23Z) - Learning to Explore Informative Trajectories and Samples for Embodied
Perception [24.006056116516618]
未知の実施課題に対する知覚モデルの一般化は不十分である。
探索政策を自己管理する3次元意味分布マップを構築した。
そこで本研究では, 意味的分布の不確実性に基づいて, トラジェクトリのハードサンプルを選択することを提案する。
実験により,本手法で微調整した知覚モデルは,他の探索政策で訓練したベースラインよりも優れていた。
論文 参考訳（メタデータ） (2023-03-20T08:20:04Z) - Understanding Character Recognition using Visual Explanations Derived
from the Human Visual System and Deep Networks [6.734853055176694]
深層ニューラルネットワークの情報収集戦略における合同性,あるいはその欠如について検討する。
深層学習モデルは、人間が正しく分類された文字に対して固定した文字の類似した領域を考慮に入れた。
本稿では、視線追跡実験から得られた視覚的固定マップを、モデルが関連する文字領域に焦点を合わせるための監督入力として用いることを提案する。
論文 参考訳（メタデータ） (2021-08-10T10:09:37Z) - Distribution Alignment: A Unified Framework for Long-tail Visual
Recognition [52.36728157779307]
長尾視覚認識のための分散アライメント戦略を提案する。
次に,二段階学習における一般化された再重み付け法を導入して,事前のクラスバランスをとる。
提案手法は, 4つの認識タスクすべてにおいて, 単純で統一されたフレームワークを用いて最先端の結果を得る。
論文 参考訳（メタデータ） (2021-03-30T14:09:53Z) - Factors of Influence for Transfer Learning across Diverse Appearance
Domains and Task Types [50.1843146606122]
現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。
転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。
本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
論文 参考訳（メタデータ） (2021-03-24T16:24:20Z) - Learning intuitive physics and one-shot imitation using
state-action-prediction self-organizing maps [0.0]
人間は探索と模倣によって学び、世界の因果モデルを構築し、両方を使って新しいタスクを柔軟に解決する。
このような特徴を生み出す単純だが効果的な教師なしモデルを提案する。
エージェントがアクティブな推論スタイルで柔軟に解決する、複数の関連するが異なる1ショットの模倣タスクに対して、その性能を示す。
論文 参考訳（メタデータ） (2020-07-03T12:29:11Z) - End-to-End Models for the Analysis of System 1 and System 2 Interactions
based on Eye-Tracking Data [99.00520068425759]
本稿では,よく知られたStroopテストの視覚的修正版において,様々なタスクと潜在的な競合事象を特定するための計算手法を提案する。
統計的分析により、選択された変数は、異なるシナリオにおける注意負荷の変動を特徴付けることができることが示された。
機械学習技術は,異なるタスクを分類精度良く区別できることを示す。
論文 参考訳（メタデータ） (2020-02-03T17:46:13Z)
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。