Neuroscience-driven可视化表示

可视化表示学习使计算机或系统来模拟视网膜的功能,视神经,和人类大脑视觉皮层,并从数字图像中获得有意义的信息,视频,和其他视觉输入。学习有效的视觉数据是至关重要的许多计算机视觉和人工智能应用程序从能源和公共事业到制造业和汽车。当前流行的深度上优于可视化表示学习方法没有充分考虑生物视觉神经系统的性质,缺乏可解释性。解决可视化表示,心理或神经科学方法的集成需要增强视觉数据的认知。

可视化表示提取是一个复杂的神经过程。性能的可视化表示特定的视觉任务密切相关。在过去的几十年里,提出了一套基于深度学习方法实现最先进的性能在一个广泛的话题,如视觉分类、检测、跟踪、检索、分割和视频的理解。尽管吸引的研究兴趣,可视化表示的一些核心问题,如如何设计和优化一个高效的2 d / 3 d可视化表示模型/体系结构在复杂的场景,以及如何处理大量的异构或无标号的视觉数据,仍然是开放的问题。本研究课题旨在提供一个平台交换研究工作,技术趋势和实践经验相关可视化表示使用深层神经网络学习理论及其相关应用程序和其他心理和神经科学方法。

编辑征求原始论文,特别是鼓励论文整合更多的方法来实现一个完整的理解。感兴趣的主题包括(但不限于):
1。Neuroscience-driven可视化表示学习理论和算法。
2。高效的可视化表示架构通过模型压缩、蒸馏或其他机制。
3所示。低级视觉处理(例如,图像/视频特征检测和匹配,减少噪音,和增强)。
4所示。高级视觉语义理解(e、g、分类、检测、跟踪、登记、分割、识别和情感计算)。
5。医学/生物医学图像分析。
6。多学习与视觉数据(视觉字幕,视觉的基础,图像/视频文字检索、跨通道视觉代)。
7所示。可视化表示learning-inspired申请机器人、人机交互、自动驾驶。
8。新的数据集和可视化表示学习和视觉问题的理解。