PulseAugur
中
实时 08:59:41
English(EN) Emergent Neural Network Mechanisms for Generalization to Objects in Novel Orientations

深度神经网络展现出对新物体方向的涌现泛化能力

作者 PulseAugur 编辑部 · [1 个来源] ·

研究人员提出了证据，表明深度神经网络（DNN）能够泛化到识别训练数据中不存在的物体方向。这种能力似乎随着训练中使用的熟悉物体的数量增加而增强，特别是当这些物体以熟悉方向的二维旋转形式呈现时。研究表明，这种泛化是由对熟悉和不熟悉物体之间共同特征进行调整的神经元促进的，表明存在类似大脑的神经机制在起作用。 AI

影响 表明有可能构建更强大的AI系统，能够处理现实世界中物体方向的变化。

排序理由 该集群包含一篇详细介绍神经网络能力研究结果的学术论文。

在 arXiv stat.ML 阅读 →

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →

深度神经网络展现出对新物体方向的涌现泛化能力

报道来源 [1]

  1. arXiv stat.ML TIER_1 English(EN) · Avi Cooper, Xavier Boix, Daniel Harari, Spandan Madan, Hanspeter Pfister, Tomotake Sasaki, Pawan Sinha ·

    通用新物体方向泛化中的涌现神经网络机制

    arXiv:2109.13445v3 Announce Type: replace-cross Abstract: The capability of Deep Neural Networks (DNNs) to recognize objects in orientations outside the distribution of the training data is not well understood. We present evidence that DNNs are capable of generalizing to objects …

相关实体

相关话题