論文の概要: Effects of Degradations on Deep Neural Network Architectures
- arxiv url: http://arxiv.org/abs/1807.10108v5
- Date: Wed, 29 Mar 2023 16:48:45 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-30 20:15:35.568587
- Title: Effects of Degradations on Deep Neural Network Architectures
- Title(参考訳): ディープニューラルネットワークアーキテクチャにおける劣化の影響
- Authors: Prasun Roy, Subhankar Ghosh, Saumik Bhattacharya, Umapada Pal
- Abstract要約: ディープ畳み込みニューラルネットワーク(CNN)は、大規模画像分類の最近の進歩に影響を与えている。
劣化信号(ノイズ)の存在下でのそのようなネットワークの挙動は、ほとんど探索されていない。
本稿では,最も一般的な6つの画像劣化モデルに基づいて,画像分類のための6つの深層アーキテクチャの性能解析を行った。
- 参考スコア(独自算出の注目度): 18.79337509555511
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep convolutional neural networks (CNN) have massively influenced recent
advances in large-scale image classification. More recently, a dynamic routing
algorithm with capsules (groups of neurons) has shown state-of-the-art
recognition performance. However, the behavior of such networks in the presence
of a degrading signal (noise) is mostly unexplored. An analytical study on
different network architectures toward noise robustness is essential for
selecting the appropriate model in a specific application scenario. This paper
presents an extensive performance analysis of six deep architectures for image
classification on six most common image degradation models. In this study, we
have compared VGG-16, VGG-19, ResNet-50, Inception-v3, MobileNet and CapsuleNet
architectures on Gaussian white, Gaussian color, salt-and-pepper, Gaussian
blur, motion blur and JPEG compression noise models.
- Abstract(参考訳): 深層畳み込みニューラルネットワーク(cnn)は,近年の大規模画像分類の進歩に大きな影響を与えている。
最近では、カプセル(ニューロンのグループ)を用いた動的ルーティングアルゴリズムが最先端の認識性能を示している。
しかし、劣化信号(ノイズ)の存在下でのそのようなネットワークの挙動はほとんど解明されていない。
ノイズロバスト性に対する異なるネットワークアーキテクチャに関する分析研究は、特定のアプリケーションシナリオにおいて適切なモデルを選択するために不可欠である。
本稿では,最も一般的な6つの画像劣化モデルに基づいて,画像分類のための6つの深層アーキテクチャの性能解析を行った。
本研究では,VGG-16,VGG-19,ResNet-50,Inception-v3,MobileNet,CapsuleNetアーキテクチャをガウス色,ガウス色,ソルト・アンド・ペッパー,ガウスブラー,モーションボケ,JPEG圧縮ノイズモデルで比較した。
関連論文リスト
- Efficient and Accurate Hyperspectral Image Demosaicing with Neural Network Architectures [3.386560551295746]
本研究では,ハイパースペクトル画像復調におけるニューラルネットワークアーキテクチャの有効性について検討した。
様々なネットワークモデルと修正を導入し、それらを従来の手法や既存の参照ネットワークアプローチと比較する。
その結果、我々のネットワークは、例外的な性能を示す両方のデータセットにおいて、参照モデルよりも優れるか、一致していることがわかった。
論文 参考訳(メタデータ) (2023-12-21T08:02:49Z) - DGNet: Dynamic Gradient-Guided Network for Water-Related Optics Image
Enhancement [77.0360085530701]
水中画像強調(UIE)は、水中環境によって引き起こされる複雑な劣化のために難しい課題である。
従来の手法では、劣化過程を理想化し、中音や物体の動きが画像の特徴の分布に与える影響を無視することが多い。
提案手法では,予測画像を用いて疑似ラベルを動的に更新し,動的勾配を加えてネットワークの勾配空間を最適化する。
論文 参考訳(メタデータ) (2023-12-12T06:07:21Z) - Dynamics-aware Adversarial Attack of Adaptive Neural Networks [75.50214601278455]
適応型ニューラルネットワークの動的対向攻撃問題について検討する。
本稿では,LGM(Leaded Gradient Method)を提案する。
我々のLGMは、動的無意識攻撃法と比較して、優れた敵攻撃性能を達成している。
論文 参考訳(メタデータ) (2022-10-15T01:32:08Z) - Impact of Scaled Image on Robustness of Deep Neural Networks [0.0]
生画像のスケーリングはアウト・オブ・ディストリビューションデータを生成するため、ネットワークを騙すための敵攻撃の可能性がある。
本研究では,ImageNet Challengeデータセットのサブセットを複数でスケーリングすることで,Scaling-DistortionデータセットのImageNet-CSを提案する。
論文 参考訳(メタデータ) (2022-09-02T08:06:58Z) - SmoothNets: Optimizing CNN architecture design for differentially
private deep learning [69.10072367807095]
DPSGDは、サンプルごとの勾配の切り抜きとノイズ付けを必要とする。
これにより、非プライベートトレーニングと比較してモデルユーティリティが削減される。
SmoothNetと呼ばれる新しいモデルアーキテクチャを蒸留し,DP-SGDトレーニングの課題に対するロバスト性の向上を特徴とした。
論文 参考訳(メタデータ) (2022-05-09T07:51:54Z) - Practical Blind Image Denoising via Swin-Conv-UNet and Data Synthesis [148.16279746287452]
本研究では,残差畳み込み層の局所モデリング能力とスウィントランスブロックの非局所モデリング能力を組み込むスウィンコンブブロックを提案する。
トレーニングデータ合成のために,異なる種類のノイズを考慮した実用的なノイズ劣化モデルの設計を行う。
AGWN除去と実画像復号化の実験は、新しいネットワークアーキテクチャ設計が最先端の性能を達成することを実証している。
論文 参考訳(メタデータ) (2022-03-24T18:11:31Z) - Self-Denoising Neural Networks for Few Shot Learning [66.38505903102373]
既存のニューラルアーキテクチャの複数の段階でノイズを追加すると同時に、この付加ノイズに対して堅牢であるように学習する新しいトレーニングスキームを提案する。
このアーキテクチャは、SDNN(Self-Denoising Neural Network)と呼ばれ、現代の畳み込みニューラルネットワークに容易に適用できます。
論文 参考訳(メタデータ) (2021-10-26T03:28:36Z) - Dynamic Proximal Unrolling Network for Compressive Sensing Imaging [29.00266254916676]
本稿では,DPUNetと呼ばれる動的近位アンローリングネットワークについて述べる。
具体的には、DPUNetは、勾配降下による埋め込み物理モデルと、学習された動的近位写像による画像のインポーティングの両方を活用できる。
実験結果から,提案したDPUNetは,サンプル比や雑音レベルの異なる複数のCSIモダリティを1つのモデルで効果的に処理できることがわかった。
論文 参考訳(メタデータ) (2021-07-23T03:04:44Z) - Perceptually Optimizing Deep Image Compression [53.705543593594285]
平均二乗誤差(MSE)と$ell_p$ノルムは、ニューラルネットワークの損失の測定で大きく支配されている。
本稿では,定量的知覚モデルに対して,画像解析ネットワークを最適化するための異なるプロキシ手法を提案する。
論文 参考訳(メタデータ) (2020-07-03T14:33:28Z) - 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) - Inferring Convolutional Neural Networks' accuracies from their
architectural characterizations [0.0]
CNNのアーキテクチャと性能の関係について検討する。
本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。
我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
論文 参考訳(メタデータ) (2020-01-07T16:41:58Z)
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。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。