跳到正文
原文
arXiv · Neurons and Cognition· Vasha DuTell, Zuyu Yun, Anne Harrington 等 9 人
· 2 天前AI 评分40

GramStatTexNet:高效、可解释、受神经启发的纹理分析-合成

GramStatTexNet: Efficient, Interpretable, and Neuro-Inspired Texture Analysis-by-Synthesis

预印本 · 尚未经过同行评审

AI 导读

GramStatTexNet结合Gabor滤波与Gramian相关,实现可解释的纹理合成分析。

摘要 · AI 翻译

深度网络在纹理合成中实现了高度逼真,但往往依赖不透明、过度参数化的表征,与生物视觉的直接联系有限。受神经科学启发的金字塔模型具有可解释性、紧凑性和生物启发性,但依赖规模小、人工挑选的统计量集合,难以泛化或扩展。我们提出 GramStatTexNet,一种混合的分析-合成框架,它将经典模型的多尺度 Gabor 滤波器结构与基于 Gramian 的相关性的灵活性相结合,并组织为结构化的滤波器族。这种结构化表征使得深度特征方法难以进行的分析成为可能:每个统计量都带有具名的滤波器族身份,使我们能够将合成保真度分解为各滤波器族的贡献,并学习一个可解释的低维嵌入,以保留感知纹理内容。我们在多样的纹理类别上,将我们的框架与经典及深度纹理合成基线进行比较,并在多个感知指标上进行评估,突显了这种混合表征在紧凑性和可解释性方面的优势,同时具有有竞争力的合成质量。同一框架通过空间池化自然扩展到外周纹理,并通过时空滤波器组扩展到动态纹理。GramStatTexNet 提供了一个统一、可解释的框架,用于分析和建模视觉信息,并可在空间、时间和离心率上自然扩展。项目页面:https://vdutell.github.io/gstn

中文由 AI 翻译,仅供参考,以原文为准。

来源:arXiv · Neurons and Cognition · arxiv.org

相关事件

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。