抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深い畳込みニューラルネットワーク(CNNs)は,大域的形状よりもむしろ局所形状特徴とテクスチャへの依存のために批判されている。CNNが局所形状キューとテクスチャの不在で大域的形状情報を処理することができるかどうかを,Mooney刺激に関するそれらの性能を試験することによってテストし,それは2値値に閾値化された顔画像である。より具体的には,CNNが顔様としてこれらの抽象的刺激を分類するかどうか,そして,それらが反転と比較して,直立刺激がより高い速度で正に分類される顔反転効果(FIE)を示すかどうかを評価する。一般的な物体認識のために訓練された2つの標準ネットワーク,1つ(CaffeNet),および顔認証のために特別に訓練された(DeepFace)を試験した。両ネットワークが知覚完了を遂行し,FIEを示し,それは特異性のすべてのレベルに存在することを見出した。ヒトに対するCNNの偽陽性率のマッチングにより,両方のネットワークが,両方の条件(61.31%と62.70%,倒立で57.25%,倒立で61.31%と62.70%,CaffeNetとDeepFaceで48.61%と42.26%)に対して,ヒト平均(直立で85.73%,倒立で57.25%)に接近したことを見出した.。2つのネットワークが,2つの条件(それぞれ,61.31%と62.70%)に,より近いことがわかった(CaffeNetとDeepFaceで,それぞれ,61.31%と62.70%)。個々の刺激を通してのCNNとヒトの間のランク順位相関は,直立と反転条件で有意な相関を示し,観察者とモデルの間の画像困難における関係を示した。CNNsのテクスチャと局所形状バイアスにもかかわらず,それらの性能を人間と異なるものにするので,それらはまだオブジェクト画像を全体論的に処理できる。【JST・京大機械翻訳】
