論文の概要: A Genetic Algorithm based Kernel-size Selection Approach for a
Multi-column Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/1912.12405v2
- Date: Mon, 16 Mar 2020 17:06:44 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-17 12:53:08.750116
- Title: A Genetic Algorithm based Kernel-size Selection Approach for a
Multi-column Convolutional Neural Network
- Title（参考訳）: 多列畳み込みニューラルネットワークのための遺伝的アルゴリズムによるカーネルサイズ選択手法
- Authors: Animesh Singh, Sandip Saha, Ritesh Sarkhel, Mahantapas Kundu, Mita
Nasipuri, Nibaran Das
- Abstract要約: 本稿では,畳み込みニューラルネットワークアーキテクチャのハイパーパラメータ(カーネルサイズ)の最適組み合わせを見つけるための遺伝的アルゴリズムに基づく手法を提案する。
本手法は手書き文字と数字の異なる3つの一般的なデータセットで評価される。
- 参考スコア（独自算出の注目度）: 11.040847116812046
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural network-based architectures give promising results in various
domains including pattern recognition. Finding the optimal combination of the
hyper-parameters of such a large-sized architecture is tedious and requires a
large number of laboratory experiments. But, identifying the optimal
combination of a hyper-parameter or appropriate kernel size for a given
architecture of deep learning is always a challenging and tedious task. Here,
we introduced a genetic algorithm-based technique to reduce the efforts of
finding the optimal combination of a hyper-parameter (kernel size) of a
convolutional neural network-based architecture. The method is evaluated on
three popular datasets of different handwritten Bangla characters and digits.
The implementation of the proposed methodology can be found in the following
link: https://github.com/DeepQn/GA-Based-Kernel-Size.
- Abstract（参考訳）: ディープニューラルネットワークベースのアーキテクチャは、パターン認識を含むさまざまな領域で有望な結果をもたらす。
このような大規模アーキテクチャのハイパーパラメータの最適な組み合わせを見つけるのは面倒で、多くの実験が必要となる。
しかし、ディープラーニングのアーキテクチャに最適なハイパーパラメータや適切なカーネルサイズの組み合わせを特定することは、常に困難で面倒な作業です。
本稿では,畳み込みニューラルネットワークアーキテクチャのハイパーパラメータ(カーネルサイズ)の最適な組み合わせを見つける努力を減らすために,遺伝的アルゴリズムに基づく手法を導入した。
手書きのバングラ文字と数字の異なる3つの人気のあるデータセットで評価する。
提案手法の実装については、https://github.com/DeepQn/GA-Based-Kernel-Size.comリンクを参照。
関連論文リスト
- Deep learning for the design of non-Hermitian topolectrical circuits [8.960003862907877]
深層学習における多層パーセプトロン(MLP)と畳み込みニューラルネットワーク(CNN)を用いたアルゴリズムを導入し,非エルミートハミルトニアンの固有値のゆらぎを予測する。
本研究は,学習データに基づく非エルミート系の大域的トポロジカル特性の抽出におけるディープラーニングネットワークの有効性を実証するものである。
論文 参考訳（メタデータ） (2024-02-15T14:41:55Z) - HKNAS: Classification of Hyperspectral Imagery Based on Hyper Kernel
Neural Architecture Search [104.45426861115972]
設計したハイパーカーネルを利用して,構造パラメータを直接生成することを提案する。
我々は1次元または3次元の畳み込みを伴う画素レベルの分類と画像レベルの分類を別々に行う3種類のネットワークを得る。
6つの公開データセットに関する一連の実験は、提案手法が最先端の結果を得ることを示した。
論文 参考訳（メタデータ） (2023-04-23T17:27:40Z) - Cell nuclei classification in histopathological images using hybrid
OLConvNet [13.858624044986815]
我々は,ハイブリッドでフレキシブルなディープラーニングアーキテクチャOLConvNetを提案している。
CNN_3L$は、少ないパラメータをトレーニングすることで、トレーニング時間を短縮する。
提案手法は, 現代の複雑なアルゴリズムよりも良好に動作し, 性能が向上することを示した。
論文 参考訳（メタデータ） (2022-02-21T12:39:37Z) - Learning Structures for Deep Neural Networks [99.8331363309895]
我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。
スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。
公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
論文 参考訳（メタデータ） (2021-05-27T12:27:24Z) - Universality and Optimality of Structured Deep Kernel Networks [0.0]
カーネルベースの手法は、柔軟で効率的で強力な近似モデルを生み出す。
機械学習手法の最近の成功は、ディープニューラルネットワーク(NN)によって駆動されている。
本稿では,特殊なタイプのカーネルを用いることで,ニューラルネットワークを連想させるモデルが得られることを示す。
論文 参考訳（メタデータ） (2021-05-15T14:10:35Z) - Random Features for the Neural Tangent Kernel [57.132634274795066]
完全接続型ReLUネットワークのニューラルタンジェントカーネル(NTK)の効率的な特徴マップ構築を提案する。
得られた特徴の次元は、理論と実践の両方で比較誤差境界を達成するために、他のベースライン特徴マップ構造よりもはるかに小さいことを示しています。
論文 参考訳（メタデータ） (2021-04-03T09:08:12Z) - Differentiable Neural Architecture Learning for Efficient Neural Network
Design [31.23038136038325]
スケールド・シグモイド関数に基づく新しいemphアーキテクチャのパラメータ化を提案する。
そこで本論文では,候補ニューラルネットワークを評価することなく,ニューラルネットワークを最適化するための汎用的エファイブルニューラルネットワーク学習(DNAL)手法を提案する。
論文 参考訳（メタデータ） (2021-03-03T02:03:08Z) - Deep Representational Similarity Learning for analyzing neural
signatures in task-based fMRI dataset [81.02949933048332]
本稿では、表現類似度分析(RSA)の深部拡張であるDRSL(Deep Representational similarity Learning)を開発する。
DRSLは、多数の被験者を持つfMRIデータセットにおける様々な認知タスク間の類似性を分析するのに適している。
論文 参考訳（メタデータ） (2020-09-28T18:30:14Z) - NAS-Navigator: Visual Steering for Explainable One-Shot Deep Neural
Network Synthesis [53.106414896248246]
本稿では,分析者がドメイン知識を注入することで,解のサブグラフ空間を効果的に構築し,ネットワーク探索をガイドするフレームワークを提案する。
このテクニックを反復的に適用することで、アナリストは、与えられたアプリケーションに対して最高のパフォーマンスのニューラルネットワークアーキテクチャに収束することができる。
論文 参考訳（メタデータ） (2020-09-28T01:48:45Z) - DC-NAS: Divide-and-Conquer Neural Architecture Search [108.57785531758076]
本稿では,ディープ・ニューラル・アーキテクチャーを効果的かつ効率的に探索するためのディバイド・アンド・コンカ(DC)手法を提案する。
ImageNetデータセットで75.1%の精度を達成しており、これは同じ検索空間を使った最先端の手法よりも高い。
論文 参考訳（メタデータ） (2020-05-29T09:02:16Z)
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。