通过对盲视现象的研究和分析,本文探讨了生物神经网络和人工神经网络的相似之处,提取出了其中一些重要的洞见用于计算机视觉中。
Dec, 2021
本文提出了神经视觉注意力算法(NeVA),并利用仿生视觉约束在神经网络上实现了类人的扫描路径生成。实验结果表明,该方法在类人扫描路径相似性方面优于现有无监督的人类注意力模型,同时可灵活地研究不同任务对视觉行为的影响,并在考虑不完美的视觉条件下的实际应用中表现出明显的优势。
Apr, 2022
本研究探讨了可解释的自动驾驶车辆中使用视觉解释的方法,使乘客、保险公司、执法机构和开发人员能够理解神经网络控制模型的行为,该模型采用了视觉关注模型进行训练,并应用因果过滤步骤来确定哪些输入区域实际上影响了输出。该方法在三个数据集上进行了有效性研究,证明了其在自动驾驶行为和人类驾驶行为中的应用价值。
Mar, 2017
通过使用注意力模型来提高 CARLA 驾驶模拟器的性能,同时通过模仿学习训练代理人来解释自动驾驶中深度学习无法解释的决策问题。
Jun, 2020
通过 79 个实验和 7,810 个实验参与者的数据研究,揭示了同人类视觉选择性估计有显著重叠的被动关注技术,指出使用引导反向传播方法探测相对简单的神经网络架构产生的输入可视化是预测共享成分的最佳选择,这些结果帮助我们通过比较不同模型在图像信息选择性方面的相似性和差异性来评估领先的神经网络模型作为人类视觉模型的生物学和心理学的有效性。
Jul, 2021
本文介绍了一种新型的硬注意力机制,该机制忽略了某些特征但仍能达到与软注意力相同或更好的性能,而且因为其选择了输入信息的重要特征,因此比类似的软注意力机制更加高效。
Aug, 2018
提出一种通过测度论来构建数学等价模型来填补对自注意力理论认知空白的框架,在此模型中,自注意力被解释为一种自相互作用粒子系统,从最大熵角度照亮自注意力,证明注意力在适当的假设下实际上是 Lipschitz 连续的。
Jul, 2020
本研究提出了一种可解释的方法,能够可视化神经网络中的内在机制和其对输出的影响,从而提高了深度神经网络的可解释性和决策过程,研究的主要贡献是提出了一种数据集中心的算法,适用于多个领域的深度神经网络结构。
Jun, 2017
该文提出了一个自我评估的能力 —— 内省,并基于此提出了一个模型,通过输入的感应器数据可可靠地预测给定任务下系统的失败。该模型在室外自然环境下的视觉自主微型飞行器飞行中表现出效果显著。
Jul, 2016
本文全面比较了各种最先进的自注意机制在多个医学图像分析任务中的效果,并通过定量、定性和临床用户调查,旨在深入了解自注意在医学计算机视觉任务中的影响。
Sep, 2021