复杂中的简单
本文研究了视觉概念在表征层面和计算层面的复杂度变化,通过属性的可代表性计算得出结论:使用可代表性高的属性描述视觉概念,随着视觉复杂度的增加,描述长度呈倒 U 型变化。同时,研究发现,在基于规则和相似性的泛化中,视觉表征的复杂度对泛化方式的影响存在差异。
Nov, 2022
本文介绍了使用卷积神经网络进行图像视觉显著性建模的方法,采用新的神经网络结构和改进的空间相关性方法,同时使用多重分割提高了性能,实验表明我们提出的方法在公共基准测试中的表现优于目前已发表的最先进技术。
Mar, 2015
对于快速动物 vs 非动物分类任务,我们对不同阶段处理的视觉表示进行了分析,并发现人类的决策最符合中间阶段的预测结果。结果表明,人类可能依靠中等复杂度的视觉特征进行快速分类,并且现代深度网络模型所提供的视觉表示的复杂度可能超出人类在这种任务中使用的复杂度。
Jun, 2016
论文提出了一个计算模型,用于模拟人类在场景中识别元素并进行详细解释的能力。该模型指出,目前的视觉识别模型存在着基本缺陷,即过分依赖前馈模型,不能进行充分有效的自上而下处理。该模型对于人类视觉解释和计算视觉模型有重要的启示意义。
Oct, 2021
本研究采用深度卷积神经网络来提取多尺度特征,实现了高质量的图像显著性模型,另外还结合了手工特征,取得了很好的效果,提供了一个相应的实验数据集。
Sep, 2016
通过在连续层上独立进行自我监督训练的自底向上方法,我们使两阶段的模型更好地与灵长类动物的 V2 区域神经活动一致,提高了对于识别对象和与人类行为相一致的一致性。
Dec, 2023
图像相似度的量化是图像机器学习的一个关键版权问题。本文提出了一种基于概念相似性的图像相似度度量方法,通过生成逐渐复杂的图像描述来衡量相似度,该方法在图像对比和文本对比中表现优于现有基准,并通过指示差异描述粒度提供了解释性。
Feb, 2024
本研究采用计算水平建模和复杂性分析方法,以分割作为案例研究,证明了关于搜索空间大小和困难性方面的两组数学结论,旨在评估现有关于亚能力的观点,特别是涉及认知系统能力的未经审查的直觉假设,以确保概念化不会误导后来出现的实证问题。
Jan, 2022
通过像素为基础的判断和模型重构,本文探讨了说同异不同判断和图像不确定性如何影响感知分割和各个特征的权重,并将其应用于自然图像和复合材料纹理的分割,以对感知理论进行定量测试和创造分割算法的新基准。
Jan, 2023
通过使用深度卷积神经网络模型,本文发现视觉系统中的不同神经约束可以导致视觉处理的不同阶段产生不同的表征模式,并预测小型脊椎动物的视网膜应执行非线性的特征检测计算,而大型动物的视网膜应当基本以线性方式编码视觉场景以响应广泛的刺激。
Jan, 2019