生物学とニューラルモデルにおける超高速画像カテゴリー化【JST・京大機械翻訳】

Jeremie Jean-Nicolas; Perrinet Laurent U

プレプリント

J-GLOBAL ID：202202203451869127 整理番号：22P0345780

生物学とニューラルモデルにおける超高速画像カテゴリー化【JST・京大機械翻訳】

Ultrafast Image Categorization in Biology and Neural Models

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年05月07日プレプリントサーバーでの情報更新日： 2023年05月31日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

ヒトは画像を非常に効率的に分類でき,特に動物の存在を検出することができる。最近,畳み込みニューラルネットワーク(CNN)に基づく深層学習アルゴリズムは,広範囲の視覚分類タスクに対して,人間の精度より高い。しかし,これらの人工ネットワークが典型的に訓練され,評価されるタスクは,高度に特殊化され,例えば画像回転後の精度低下をあまり一般化しない。この点で,生物学的視覚システムは,動物を認識するようなより一般的なタスクのための人工システムより柔軟で効率的である。生物学的および人工ニューラルネットワーク間の比較をさらにするために,ヒトに生態学的に関連する2つの独立したタスク(動物またはアーチファクトの存在を検出する)で標準VGG 16 CNNを再訓練した。ネットワークの再訓練は,心理物理的タスクで報告されたものに匹敵する,人間のようなレベルの性能を達成することを示した。さらに,モデルの出力が組み合わされたとき,分類がより良いことを示した。実際,動物(例えば,イオン)は,アーチファクト(例えば,建物)を含む写真において,より少ない傾向であった。さらに,これらの再訓練モデルは,回転に対するロバスト性(例えば,アップサイドダウンまたは傾斜画像)またはグレースケール変換のような,ヒト精神物理学からのいくつかの予想外の行動観察を再現することができた。最後に,そのような性能を達成するために必要なCNN層の数を定量化し,超高速画像分類のための良好な精度が数層だけで達成され,画像認識が視覚物体の深い逐次分析を必要とするという信念を挑戦的に示した。【JST・京大機械翻訳】

, , , , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, ,

前のページに戻る