Nội dung được dịch bởi AI, chỉ mang tính chất tham khảo
Một Phương Pháp Học Tạo Ra Để Kết Hợp Cảm Biến và Phát Hiện Thay Đổi
Tóm tắt
Chúng tôi trình bày một hệ thống thực hiện kết hợp đa cảm biến học từ kinh nghiệm, tức là từ dữ liệu huấn luyện và đề xuất rằng các phương pháp học là cách tiếp cận thích hợp nhất cho các vấn đề kết hợp trong thế giới thực, vì chúng chủ yếu không phụ thuộc vào mô hình và do đó phù hợp cho một loạt các nhiệm vụ, ngay cả khi các quá trình cơ bản không được biết với độ chính xác đầy đủ, hoặc quá phức tạp để xử lý phân tích. Để chứng minh cho tuyên bố của mình, chúng tôi áp dụng hệ thống vào các nhiệm vụ kết hợp mô phỏng điển hình cho các vấn đề trong thế giới thực và chúng thể hiện một loạt các mô hình xác suất và phân bố nhiễu cơ bản. Để thực hiện một so sánh công bằng, chúng tôi nghiên cứu hai cách bổ sung để thực hiện kết hợp tối ưu cho những vấn đề này: ước lượng thực nghiệm các phân bố xác suất chung và tính toán phân tích trực tiếp bằng cách sử dụng suy diễn Bayesian. Chúng tôi chứng minh rằng việc kết hợp gần tối ưu thực sự có thể được học và rằng việc học là phương án tổng quát và hiệu quả về tài nguyên nhất. Thêm vào đó, chúng tôi chỉ ra rằng phương pháp học tạo ra mà chúng tôi sử dụng có khả năng cải thiện hiệu suất của nó vượt xa tối ưu Bayesian bằng cách phát hiện và loại bỏ các điểm bất thường và nó có khả năng phát hiện những thay đổi hệ thống trong thống kê đầu vào.
Từ khóa
#kết hợp cảm biến #học tạo ra #phát hiện thay đổi #xác suất #suy diễn BayesianTài liệu tham khảo
Ernst MO, Banks MS. Humans integrate visual and haptic information in a statistically optimal fashion. Nature. 2002;415(6870):429–33.
Angelaki DE, Gu Y, DeAngelis GC. Multisensory integration: psychophysics, neurophysiology, and computation. Curr Opin Neurobiol. 2009;19(4):452–8.
Ernst MO, Blthoff HH. Merging the senses into a robust percept. Trends Cognit Sci. 2004;8(4):162–9.
Beauchamp MS. See me, hear me, touch me: multisensory integration in lateral occipital-temporal cortex. Curr Opin Neurobiol. 2005;15(2):145–53.
Stein BE, Stanford TR. Multisensory integration: current issues from the perspective of the single neuron. Nat Rev Neurosci. 2008;9(4):255–66.
Driver J, Noesselt T. Multisensory interplay reveals crossmodal influences on sensory-specific brain regions, neural responses, and judgments. Neuron. 2008;57(1):11–23.
Wallace MT. the development of multisensory processes. Cognit Process. 2004;5(2):69–83.
Calvert GA, Thesen T. Multisensory integration: methodological approaches and emerging principles in the human brain. J Physiol Paris. 2004;98(1):191–205.
Ghazanfar AA, Schroeder CE. Is neocortex essentially multisensory? Trends Cognit Sci. 2006;10(6):278–85.
Stratton GM. Vision without inversion of the retinal image. Psychol Rev. 1987;4(4):341.
Howard IP, Templeton WB. Human spatial orientation. John Wiley & Sons; 1966.
McGurk H, MacDonald J. Hearing lips and seeing voices. Nature. 1976;264:746–48.
Botvinick M, Cohen J. Rubber hands ’feel’ touch that eyes see. Nature. 1998;391(6669):756.
Shams L, Kamitani Y, Shimojo S. What you see is what you hear. Nature. 2000;408(6814):788.
King A. Development of multisensory spatial integration. Oxford University Press; 2004. p. 1–24.
Gori M, Del Viva M, Sandini G, Burr DC. Young children do not integrate visual and haptic form information. Curr Biol. 2008;18(9):694–8.
Hecht T, Gepperth A. A generative-discriminative learning model for noisy information fusion. In: IEEE international conference on development and learning (ICDL); 2015.
Gepperth A, Lefort M. Biologically inspired incremental learning for high-dimensional spaces. In: IEEE international conference on development and learning (ICDL); 2015.
Gepperth A, Karaoguz C. A bio-inspired incremental learning architecture for applied perceptual problems. Cognit Comput. 2016 (in press).
Gepperth A, Lefort M, Hecht T, Körner U. Resource-efficient incremental learning in high dimensions. In: European symposium on artificial neural networks (ESANN); 2015.
Lefort M, Gepperth A. Active learning of local predictable representations with artificial curiosity. In: IEEE international conference on development and learning (ICDL); 2015.
Gepperth A. Efficient online bootstrapping of representations. Neural Netw. 2012;41:39–50.
Kohonen T. Essentials of the self-organizing map. Neural Netw. 2013;37:52–65.
Martin JG, Meredith MA, Ahmad K. Modeling multisensory enhancement with self-organizing maps. Front Comput Neurosci. 2009;3:8.
Anastasio TJ, Patton PE. A two-stage unsupervised learning algorithm reproduces multisensory enhancement in a neural network model of the corticotectal system. J Neurosci. 2003;23(17):6713–27.
Pavlou A, Casey M. Simulating the effects of cortical feedback in the superior colliculus with topographic maps. In: Neural Networks (IJCNN), the 2010 international joint conference on, IEEE; 2010. p. 1–8.
Mayor J, Plunkett K. A neurocomputational account of taxonomic responding and fast mapping in early word learning. Psychol Rev. 2010;117(1):1.
Johannes B, Cornelius W, Stefan W. A som-based model for multi-sensory integration in the superior colliculus. In: Neural networks (IJCNN), the 2012 international joint conference on, IEEE; 2012. p. 1–8.
Apostolos G, Haibo L, Mihaela G. An ensemble of SOM networks for document organization and retrieval. In: International conference on adaptive knowledge representation and reasoning (AKRR05); 2005. p. 6.
Bruno B, Emilio C. A bio-inspired fusion method for data visualization. In: Hybrid artificial intelligence systems. Springer; 2010. p. 501–509.
Yin H. ViSOM-a novel method for multivariate data projection and structure visualization. IEEE Trans Neural Netw. 2002;13(1):237–43.
Jantvik T, Gustafsson L, Papliski AP. A self-organized artificial neural network architecture for sensory integration with applications to letter-phoneme integration. Neural Comput. 2011;23(8):2101–39.
Valentina G, Julien M, Jon-Fan H, Plunkett K. The impact of labels on visual categorisation: a neural network model. In: Proceedings of the 30th Annual Conference of the Cognitive Science Society. Cognitive Science society; 2008.
Landy MS, Banks MS, Knill DC. Ideal-observer models of cue integration. In: Sensory cue integration. Oxford University Press; 2011. p. 5–29.
Knill DC, Pouget A. The bayesian brain: the role of uncertainty in neural coding and computation. Trends Neurosci. 2004;27(12):712–9.
Jacobs RA. Optimal integration of texture and motion cues to depth. Vis Res. 1999;39(21):3621–9.
Battaglia PW, Jacobs RA, Aslin RN. Bayesian integration of visual and auditory signals for spatial localization. JOSA A. 2003;20(7):1391–7.
Ernst MO. A Bayesian view on multimodal cue integration. Knoblich G, Thornton IM, Grosjean M, Shiffrar M, editors. Human body perception from the inside out. New York: Oxford University Press; 2006, p. 105–131.
Helbig HB, Ernst MO. Optimal integration of shape information from vision and touch. Exp Brain Res. 2007;179(4):595–606.
Makkook M, Basir O, Karray F. A reliability guided sensor fusion model for optimal weighting in multimodal systems. In: Acoustics, speech and signal processing, 2008. ICASSP 2008. IEEE international Conference on, IEEE; 2008. p. 2453–2456.
Song X, Cui J, Zhao H, Zha H. Bayesian fusion of laser and vision for multiple people detection and tracking. In: SICE annual conference, IEEE 2008; 2008. p. 3014–3019.
Klingbeil L, Reiner R, Romanovas M, Traechtler M, Manoli Y. Multi-modal sensor data and information fusion for localization in indoor environments. In: Positioning navigation and communication (WPNC), 2010 7th workshop on, IEEE; 2010. p. 187–192.
Gepperth A, Dittes B, Garcia OM. The contribution of context information: a case study of object recognition in an intelligent car. Neurocomputing. 2012;94:77–86.