Modeling of top-down object-based attention using probabilistic neural network
Notice bibliographique
Résumé
Object-based attention theory posits that attention is directed towards one object at a time. This paper attempts to simulate top-down influences. Five components of top-down influences are modeled: structure of object representation for long-term memory (LTM), learning of object representations, deduction of task-relevant features, estimation of top-down biases, mediation between bottom-up and top-down fashions, and perceptual completion. This model builds a dual-coding object representation for LTM. It consists of local and global codings, characterizing internal properties and global attributes of an object. Probabilistic neural networks (PNNs) are used for object representation in that they can model probabilistic distribution of an object through combination of confident instances. A dynamically constructive learning algorithm is developed to train PNNs when an object is attended. Given a task-specific object, this proposed model recalls the corresponding object representation from PNNs, deduces the task-relevant feature dimensions and evaluates top-down biases. Bottom-up and top-down biases are mediated to yield a primitive grouping based saliency map. The most salient primitive grouping is finally put into the perceptual completion processing module to yield an accurate and complete object representation for attention. This model has been applied into the robotic task: detection of task-specific multi-part objects.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».