对象检测和识别是物种成功的基本功能。由于对象的外观表现出很大的可变性，因此大脑必须在相同的对象身份（概括过程）下将这些不同的刺激分组。泛化过程是否遵循一些一般原则，还是临时的“戏剧袋”？普遍的概括法提供了证据，表明概括遵循各种物种和任务的类似特性。在这里，我们检验了以下假设：内部表示反映了对象检测和识别环境中的自然特性，而不是系统解决这些问题的细节。通过训练“清晰”和“伪装”动物的图像的深神经网络，我们发现，有了适当的类别原型选择，概括函数是单调的，类似于生物系统的概括函数。我们的发现支持研究的假设。
translated by 谷歌翻译
在用于测量溃疡性结肠炎的内窥镜活性的评分系统中，例如蛋黄酱内窥镜评分或溃疡性结肠炎内镜指数严重程度，水平随疾病活动的严重程度而增加。分数之间的相对排名使其成为序数回归问题。另一方面，大多数研究都使用分类跨凝结损失函数来训练深度学习模型，这对于顺序回归问题并不是最佳的。在这项研究中，我们提出了一种新颖的损失函数，即距离距离加权的跨凝结（CDW-CE），该函数尊重类的顺序，并在计算成本时考虑了类的距离。实验评估表明，经过CDW-CE训练的模型优于训练的模型，该模型训练了用于序数回归问题的常规分类横向和其他常用损失函数。此外，经过CDW-CE损失训练的模型的类激活图具有更大的歧视性，并且域专家发现它们更合理。
translated by 谷歌翻译