类别正交物体特征引导用于物体分类的循环神经网络中的信息处理
计算机视觉与模式识别
2022-05-11 v2 人工智能
机器学习
摘要
循环神经网络（RNNs）已被证明在视觉物体分类任务中优于前馈架构，尤其在杂乱图像等挑战性条件下。然而，关于循环信息流在这些条件下的确切计算作用知之甚少。在此，我们针对训练用于物体分类的 RNNs 检验如下假说：循环通过传递类别正交辅助变量（物体的位置、方向和尺度）来迭代辅助物体分类。使用诊断性线性读出，我们发现：(a) 关于辅助变量的信息在所有网络层中随时间增加，(b) 该信息确实存在于循环信息流中，且 (c) 对其操控显著影响了任务性能。这些观察证实了如下假说：类别正交辅助变量信息通过循环连接传递，并用于在杂乱环境中优化类别推断。
引用
@article{arxiv.2111.07898,
title = {Category-orthogonal object features guide information processing in recurrent neural networks trained for object categorization},
author = {Sushrut Thorat and Giacomo Aldegheri and Tim C. Kietzmann},
journal= {arXiv preprint arXiv:2111.07898},
year = {2022}
}
备注
13 pages, 9 figures, peer-reviewed and accepted at the SVRHM 2021 workshop at NeurIPS (+ 2 additional sections in the Appendix presenting newer supplementary results). SVRHM 2021 Workshop@ NeurIPS. 2021