视觉识别系统出自“头脑风暴”一词。所谓头脑风暴(Brain-storming)系统是运用系统的、统一的视觉符号系统。视觉识别是静态的识别符号具体化、视觉化的传达形式,项目最多,层面最广,效果更直接。视觉识别系统属于CIS中的VI,用完整、体系的视觉传达体系,将企业理念、文化特质、服务内容、企业规范等抽象语意转换为具体符号的概念,塑造出独特的企业形象。视觉识别系统分为基本要素系统和应用要素系统两方面。基本要素系统主要包括:企业名称、企业标志、标准字、标准色、象征图案、宣传口语、市场行销报告书等。应用系统主要包括:办公事务用品、生产设备、建筑环境、产品包装、广告媒体、交通工具、衣着制服、旗帜、招牌、标识牌、橱窗、陈列展示等。视觉识别(VI)在CI系统大众所接受,据有主导的地位。

VIP内容

题目: Individual differences among deep neural network models

摘要: 深度神经网络(DNNs)擅长视觉识别任务,越来越多地被用作灵长类大脑神经计算的建模框架。然而,每个DNN实例,就像每个单独的大脑一样,都有一个独特的连接性和代表性轮廓。在这里,我们研究DNN实例之间的个体差异,这些差异是由于只改变网络权值的随机初始化而产生的。利用表征相似性分析,我们证明了在训练前初始条件的最小变化导致中高层网络表征的显著差异,尽管实现了难以区分的网络级分类性能。我们将效应的起源定位在类别样本的欠约束对齐中,而不是类别质心的不对中。此外,虽然网络正则化可以提高学习表示的一致性,但仍然存在相当大的差异。这些结果表明,使用DNNs的计算神经科学家应该基于多个网络实例而不是单个现成的网络进行推理。

作者简介: Johannes Mehrer,英国剑桥大学认知与脑科学部记忆感知小组研究生。等

成为VIP会员查看完整内容
3+
0+
更多VIP内容

最新论文

Gaussian process state-space model (GPSSM) is a probabilistic dynamical system that represents unknown transition and/or measurement models as Gaussian process (GP). The majority of the approaches to learning GP-SSM are focused on handling given time series data. However, in most dynamical systems, data required for model learning arrives sequentially and accumulates over time. Storing all the data requires large amounts of memory, and using it for model learning can be computationally infeasible. To overcome these challenges, we propose an online inference method, onlineGPSSM, for learning the GP-SSM by incorporating stochastic variational inference (VI) and online VI. The proposed method can mitigate the computation time issue without catastrophic forgetting and supports adaptation to changes in a system and/or a real environments. Furthermore, we propose an application of onlineGPSSM to the reinforcement learning (RL) of partially observable dynamical systems by combining onlineGPSSM with Bayesian filtering and trajectory optimization algorithms. Numerical examples are presented to demonstrate the applicability of the proposed method.

0+
0+
下载
预览
更多最新论文
父主题
Top