利用仅依赖于大脑可访问的信息进行训练的图像序列和自我运动,我们开发了一种新颖的网络架构,能够同时学习从离散图像中分割对象、推断其三维位置和感知深度,从而作为预测学习的副产品有效地学习对象的表示。
Mar, 2024
介绍了一种称为贝叶斯深度学习的统一框架,将深度学习和贝叶斯模型紧密融合,以提高高层次推理的性能并增强深度学习的感知能力。讨论了它在推荐系统、主题模型和控制等领域的应用,以及与贝叶斯神经网络的关系和区别。
Aug, 2016
本文综述时间知觉领域的最近进展并讨论贝叶斯处理在构建时间模型中的作用。
Jan, 2022
利用贝叶斯认知模型在数据可视化中理解用户对先前信念的影响,研究发现大型数据集下用户的判断与贝叶斯预测不一致,为此介绍了贝叶斯推理作为数据可视化评估的规范框架。
Jan, 2019
提出了一个 3D 形状感知的框架,它在分析综合或图像形成的生成模型中解释了典型和非典型情况下的感知,分析和计算研究表明这种方法最符合人类观察者的准确性和响应时间,在困难判别方面与人类表现相关性显著,并提示深度神经网络等机器视觉系统如何实现更具有人类特色的稳健性。
Jan, 2023
综合人工智能系统需要不仅能够用不同的 ` 感官 '(例如视觉和听觉)感知环境,还需要推断世界的条件(甚至因果)关系及其对应的不确定性。本文综述了贝叶斯深度学习的基本原理及其在推荐系统、主题模型和控制等领域的应用,讨论了贝叶斯深度学习与神经网络等其他相关主题之间的关系和差异。
Apr, 2016
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
通过引入新颖的基于 Transformer 的 Brainformer 方法,分析人类感知系统中 fMRI 模式,并将其作为监督机制应用于机器视觉模型,通过实验证明,在各种图像识别任务中,利用 fMRI 信息可以实现与当前最先进方法相比的潜在结果。
Nov, 2023
本文研究计算机视觉、深度神经网络(DNN)、人类视觉感知和无体系结构视觉学习之间的联系,并发现 DNN 计算可用于估计感知损失,并与有趣的理论观点一致,即人类感知的特性是视觉学习无体系结构的结果。
Jan, 2017
本篇论文提出了一种新的端对端架构,可以从任意数量的不受约束的相机视图中学习 3D 表征,无需深度监督,并且具有与 BEV 相关的内置几何结构,该模型在标准 BEV 视觉任务(例如基于相机的 3D 物体检测和 BEV 分割)中具有优异的性能。
Jun, 2022