有对象和无对象的物体识别
本文比较了人类视觉系统和深度神经网络(DNN)在图像退化方面的泛化能力,发现人类视觉系统更加耐受于图像处理,而当信号变弱时,人类和 DNN 的分类误差模式逐渐分离,这表明在视觉识别方面,人类和 DNN 之间仍存在显著差异。
Jun, 2017
本研究回顾了关于人类目标感知和深度神经网络模型在目标识别方面的相关工作,并探讨了这两个领域如何相互促进,提供了发展新实验任务和推动深度神经网络模型中的目标识别的基准的认知文献和实验任务。
Sep, 2021
本文通过对自然图像数据集 CIFAR10 的人工识别实验,与最新的深度神经网络进行了公平的比较,揭示了当前人工智能目标识别与人类识别能力之间的差距,同时提出了一种可用于评估和改进未来神经网络的新型 CIFAR10 分级子集。
Nov, 2018
该论文探讨了神经网络架构在解决视觉任务时存在的局限性,与人类学习抽象概念的策略不同。研究利用一组新的图像转换方法,对人类和网络在对象识别任务上进行了评估,发现常见网络的性能迅速下降,而人类能够以高精度识别对象。
May, 2022
本文回顾了基于深度学习的目标检测框架,从深度学习和卷积神经网络教程开始,介绍了典型的通用和特定目标检测架构以及改进方法和技巧,并提供了实验数据分析,最后提出了未来研究中的几个有前景的方向和任务。
Jul, 2018
该论文提出了一个生物学上启发的上下文感知对象识别模型,该模型由双流体系结构组成,动态地整合对象和上下文信息,并顺序推理目标对象的类标签,该模型不需要为每个任务重新训练,在各种行为任务中近似人类水平性能,捕捉上下文增强对图像属性的依赖性,并提供了整合场景和对象信息进行视觉识别的初始步骤。
Nov, 2019
本文提出了一种新的人类行为分析概念,即 “无人干预下的人类行为识别”,为了理解行为标签,我们考虑了背景序列对于分类当前大规模行动数据集中的人类动作的影响。通过研究多种精巧的运动表征,我们探讨了一些特征从背景中提取可能过于强。
Aug, 2016
通过利用卷积神经网络 (CNN) 的最新进展,本研究对是否面部识别取决于独特的领域特定神经认知机制还是领域通用的物体识别机制进行了系统测试,并通过训练仅针对物体的 CNN 并测试其识别和表征面部以及类似面部的物体的能力,证实了领域通用机制的假设。
May, 2024
本文提出了一种综合局部外观特征,对象关系的上下文信息和全局场景上下文特征的集合物体检测系统,该系统采用基于对象建议的完全连接条件随机场(CRF)进行建模,并利用快速平均场近似方法有效地进行 CRF 模型中的推理,实验结果表明,与基线算法 Faster R-CNN 相比,我们的方法在 PASCAL VOC 2007 数据集上实现了更高的平均精度(mAP).
Apr, 2016