Fugu-MT 論文翻訳(概要): Improving the Resolution of CNN Feature Maps Efficiently with Multisampling

論文の概要: Improving the Resolution of CNN Feature Maps Efficiently with Multisampling

arxiv url: http://arxiv.org/abs/1805.10766v2
Date: Sun, 10 Sep 2023 23:04:24 GMT
ステータス: 処理完了
システム内更新日: 2023-09-14 19:00:28.477133
Title: Improving the Resolution of CNN Feature Maps Efficiently with Multisampling
Title（参考訳）: マルチサンプリングによるCNN特徴マップの高分解能化
Authors: Shayan Sadigh, Pradeep Sen
Abstract要約: 我々の手法の1つのバージョンはサブサンプリングと呼ばれ、追加のパラメータなしでDenseNetやResNetのような最先端アーキテクチャの精度を大幅に向上させる。データ拡張の性質について可能な洞察を与え、粗い特徴マップが画像分類におけるニューラルネットワークのパフォーマンスをボトルネックにしていることを実験的に実証する。
参考スコア（独自算出の注目度）: 8.655380837944188
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We describe a new class of subsampling techniques for CNNs, termed multisampling, that significantly increases the amount of information kept by feature maps through subsampling layers. One version of our method, which we call checkered subsampling, significantly improves the accuracy of state-of-the-art architectures such as DenseNet and ResNet without any additional parameters and, remarkably, improves the accuracy of certain pretrained ImageNet models without any training or fine-tuning. We glean possible insight into the nature of data augmentations and demonstrate experimentally that coarse feature maps are bottlenecking the performance of neural networks in image classification.
Abstract（参考訳）: 本稿では,CNNのサブサンプリング手法について述べる。マルチサンプリングと呼ばれ,サブサンプリング層を通じて特徴マップが保持する情報量を大幅に増加させる。 DenseNet や ResNet などの最先端アーキテクチャでは,追加のパラメータを使わずに精度を大幅に向上し,トレーニングや微調整を行なわず,特定の事前訓練済み ImageNet モデルの精度を著しく向上させる。データ拡張の性質について可能な洞察を与え、粗い特徴マップが画像分類におけるニューラルネットワークのパフォーマンスをボトルネックにしていることを実験的に実証する。

関連論文リスト

Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文参考訳（メタデータ） (2023-10-11T12:46:11Z)
Content-Adaptive Downsampling in Convolutional Neural Networks [15.073405675079558]
多くの畳み込みニューラルネットワーク(CNN)は、ネットワークの受容領域を増大させ、計算コストを低減させるために、特徴マップのプログレッシブなダウンサンプリングに依存している。これは、機能マップの粒度が失われ、画像の正確な理解や、密集した予測タスクの詳細な再現が制限されるためである。本稿では,より少ない情報領域よりも高分解能で情報領域を処理できるようにすることにより,上記のアイデアを一般化する適応型ダウンサンプリング手法を提案する。
論文参考訳（メタデータ） (2023-05-16T14:58:30Z)
SDWNet: A Straight Dilated Network with Wavelet Transformation for Image Deblurring [23.86692375792203]
画像劣化は、ぼやけた画像から鋭い画像を復元することを目的としたコンピュータビジョンの問題である。我々のモデルは拡張畳み込みを用いて空間分解能の高い大きな受容場を得ることができる。本稿では,ウェーブレット変換を用いた新しいモジュールを提案する。
論文参考訳（メタデータ） (2021-10-12T07:58:10Z)
The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文参考訳（メタデータ） (2021-01-29T07:46:39Z)
Fusion of CNNs and statistical indicators to improve image classification [65.51757376525798]
畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
論文参考訳（メタデータ） (2020-12-20T23:24:31Z)
Interpretable Detail-Fidelity Attention Network for Single Image Super-Resolution [89.1947690981471]
本研究では,スムースとディテールを段階的に分割・収束的に処理する,目的・解釈可能なディテール・ファイダリティ・アテンション・ネットワークを提案する。特に,詳細推論において顕著な解釈可能な特徴表現のためのヘシアンフィルタを提案する。実験により,提案手法は最先端手法よりも優れた性能を示すことが示された。
論文参考訳（メタデータ） (2020-09-28T08:31:23Z)
Adaptive Exploitation of Pre-trained Deep Convolutional Neural Networks for Robust Visual Tracking [14.627458410954628]
本稿では,4つのCNNモデルを包括的に分析し,各モデルの最適な特徴マップを決定する。解析結果を属性辞書として活用することにより,視覚トラッカーの精度とロバスト性を向上させるために,深部特徴の適応的利用を提案する。
論文参考訳（メタデータ） (2020-08-29T17:09:43Z)
Learning Enriched Features for Real Image Restoration and Enhancement [166.17296369600774]
畳み込みニューラルネットワーク(CNN)は、画像復元作業における従来のアプローチよりも劇的に改善されている。ネットワーク全体を通して空間的精度の高い高解像度表現を維持することを目的とした,新しいアーキテクチャを提案する。提案手法は,高解像度の空間的詳細を同時に保存しながら,複数のスケールからの文脈情報を組み合わせた豊富な特徴集合を学習する。
論文参考訳（メタデータ） (2020-03-15T11:04:30Z)
Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文参考訳（メタデータ） (2020-03-03T07:27:44Z)
Impact of ImageNet Model Selection on Domain Adaptation [26.016647703500883]
本稿では,異なる画像ネットモデルがドメイン適応問題に対する転送精度に与える影響について検討する。 ImageNetモデルの精度が向上し、ドメイン適応問題の精度が向上する。また、各ニューラルネットワークのアーキテクチャを調べ、特徴抽出に最適な層を見つける。
論文参考訳（メタデータ） (2020-02-06T23:58:23Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。