論文の概要: Examining the Benefits of Capsule Neural Networks

• arxiv url: http://arxiv.org/abs/2001.10964v1
• Date: Wed, 29 Jan 2020 17:18:43 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-05 20:35:19.057063
• Title: Examining the Benefits of Capsule Neural Networks
• Title（参考訳）: カプセルニューラルネットワークの利点の検討
• Authors: Arjun Punjabi, Jonas Schmid, Aggelos K. Katsaggelos
• Abstract要約: カプセルネットワーク(Capsule Network)は、従来の畳み込みニューラルネットワークの欠点に対処する可能性のある、新たに開発されたニューラルネットワークのクラスである。 標準的なスカラーアクティベーションをベクトルに置き換えることで、カプセルネットワークはコンピュータビジョンアプリケーションのための次の大きな開発を目指している。
• 参考スコア（独自算出の注目度）: 9.658250977094562
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Capsule networks are a recently developed class of neural networks that potentially address some of the deficiencies with traditional convolutional neural networks. By replacing the standard scalar activations with vectors, and by connecting the artificial neurons in a new way, capsule networks aim to be the next great development for computer vision applications. However, in order to determine whether these networks truly operate differently than traditional networks, one must look at the differences in the capsule features. To this end, we perform several analyses with the purpose of elucidating capsule features and determining whether they perform as described in the initial publication. First, we perform a deep visualization analysis to visually compare capsule features and convolutional neural network features. Then, we look at the ability for capsule features to encode information across the vector components and address what changes in the capsule architecture provides the most benefit. Finally, we look at how well the capsule features are able to encode instantiation parameters of class objects via visual transformations.
• Abstract（参考訳）: カプセルネットワークは近年開発されたニューラルネットワークのクラスであり、従来の畳み込みニューラルネットワークの欠点に対処する可能性がある。 標準的なスカラー活性化をベクトルに置き換え、人工ニューロンを新しい方法で接続することで、カプセルネットワークはコンピュータビジョンアプリケーションのための次の大きな開発を目指している。 しかし、これらのネットワークが従来のネットワークと真に異なる動作をしているかどうかを判断するには、カプセルの特徴の違いを見極める必要がある。 この目的のために,カプセルの特徴を解明し,その動作が初版で説明されるかどうかを判定する目的で,いくつかの解析を行った。 まず,カプセルの特徴と畳み込みニューラルネットワークの特徴を視覚的に比較するために,深い可視化分析を行う。 次に、カプセル機能によってベクターコンポーネントにまたがる情報をエンコードし、カプセルアーキテクチャの変更が最も利益をもたらすものに対処する能力について検討する。 最後に、カプセル機能がどのように視覚変換によってクラスオブジェクトのインスタンス化パラメータをエンコードできるかを検討する。

関連論文リスト

• Coding schemes in neural networks learning classification tasks [52.22978725954347]
  完全接続型広義ニューラルネットワーク学習タスクについて検討する。 ネットワークが強力なデータ依存機能を取得することを示す。 驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
  論文  参考訳（メタデータ） (2024-06-24T14:50:05Z)
• Hierarchical Object-Centric Learning with Capsule Networks [0.0]
  畳み込みニューラルネットワークの制限に対処するために、カプセルネットワーク(CapsNets)が導入された。 この論文はCapsNetsの興味深い側面を調査し、その潜在能力を解き放つための3つの重要な疑問に焦点を当てている。
  論文  参考訳（メタデータ） (2024-05-30T09:10:33Z)
• ShadowNet for Data-Centric Quantum System Learning [188.683909185536]
  本稿では,ニューラルネットワークプロトコルと古典的シャドウの強みを組み合わせたデータ中心学習パラダイムを提案する。 ニューラルネットワークの一般化力に基づいて、このパラダイムはオフラインでトレーニングされ、これまで目に見えないシステムを予測できる。 量子状態トモグラフィーおよび直接忠実度推定タスクにおいて、我々のパラダイムのインスタンス化を示し、60量子ビットまでの数値解析を行う。
  論文  参考訳（メタデータ） (2023-08-22T09:11:53Z)
• Why Capsule Neural Networks Do Not Scale: Challenging the Dynamic Parse-Tree Assumption [16.223322939363033]
  カプセルニューラルネットワークは、単純なスカラー値のニューロンをベクトル値のカプセルに置き換える。 CapsNetはカプセルニューラルネットワークの概念を実際に実装した最初のものである。 CapsNetアーキテクチャをより合理的なサイズのデータセットに拡張する作業は行われなかった。
  論文  参考訳（メタデータ） (2023-01-04T12:59:51Z)
• Effectiveness of the Recent Advances in Capsule Networks [0.0]
  畳み込みニューラルネットワーク(CNN)は、ディープニューラルネットワークの分野に革命をもたらした。 近年の研究では、CNNは様々な条件下での一般化に失敗している。 カプセルのアイデアは2011年に導入されたが、実際の研究は2017年から始まった。
  論文  参考訳（メタデータ） (2022-10-11T23:30:12Z)
• Learning with Capsules: A Survey [73.31150426300198]
  カプセルネットワークは、オブジェクト中心の表現を学習するための畳み込みニューラルネットワーク(CNN)に代わるアプローチとして提案された。 CNNとは異なり、カプセルネットワークは部分的に階層的な関係を明示的にモデル化するように設計されている。
  論文  参考訳（メタデータ） (2022-06-06T15:05:36Z)
• Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
  識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。 データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
  論文  参考訳（メタデータ） (2022-02-01T17:11:13Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Subspace Capsule Network [85.69796543499021]
  SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。 SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
  論文  参考訳（メタデータ） (2020-02-07T17:51:56Z)

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。