論文の概要: Fixed smooth convolutional layer for avoiding checkerboard artifacts in CNNs

• arxiv url: http://arxiv.org/abs/2002.02117v1
• Date: Thu, 6 Feb 2020 06:36:45 GMT
• ステータス: 処理完了
• システム内更新日: 2023-01-03 10:12:43.999876
• Title: Fixed smooth convolutional layer for avoiding checkerboard artifacts in CNNs
• Title（参考訳）: CNNにおけるチェッカーボードアーティファクト回避のためのスムーズな畳み込み層
• Authors: Yuma Kinoshita and Hitoshi Kiya
• Abstract要約: 畳み込みニューラルネットワーク(CNN)におけるチェッカーボードアーティファクトを回避するために,スムーズな順序の固定畳み込み層を提案する。 提案した層は、ストライドされた畳み込み層や、転置された畳み込み層を含むアップサンプリング層に起因するチェッカーボードのアーティファクトを完全に防止することができる。 固定層は、初めて生成敵ネットワーク(GAN)に適用される。
• 参考スコア（独自算出の注目度）: 20.242221018089715
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we propose a fixed convolutional layer with an order of smoothness not only for avoiding checkerboard artifacts in convolutional neural networks (CNNs) but also for enhancing the performance of CNNs, where the smoothness of its filter kernel can be controlled by a parameter. It is well-known that a number of CNNs generate checkerboard artifacts in both of two process: forward-propagation of upsampling layers and backward-propagation of strided convolutional layers. The proposed layer can perfectly prevent checkerboard artifacts caused by strided convolutional layers or upsampling layers including transposed convolutional layers. In an image-classification experiment with four CNNs: a simple CNN, VGG8, ResNet-18, and ResNet-101, applying the fixed layers to these CNNs is shown to improve the classification performance of all CNNs. In addition, the fixed layer are applied to generative adversarial networks (GANs), for the first time. From image-generation results, a smoother fixed convolutional layer is demonstrated to enable us to improve the quality of images generated with GANs.
• Abstract（参考訳）: 本稿では,畳み込みニューラルネットワーク(cnns)におけるチェッカーボードアーティファクトを回避するだけでなく,そのフィルタカーネルの滑らかさをパラメータで制御可能なcnnの性能を向上させるために,滑らかさ順の固定畳み込み層を提案する。 多くのcnnが2つのプロセスの両方でチェッカーボードアーティファクトを生成することはよく知られている。 提案する層は,強化畳み込み層や転置畳み込み層を含むアップサンプリング層によって引き起こされるチェッカーボードアーチファクトを完全に防止することができる。 単純なCNN、VGG8、ResNet-18、ResNet-101の4つのCNNによる画像分類実験では、これらのCNNに固定層を適用することにより、すべてのCNNの分類性能が改善されている。 さらに、固定層を生成敵ネットワーク(GAN)に初めて適用する。 画像生成結果から,ganで生成した画像の品質を向上させるために,より滑らかな固定畳み込み層が示される。

関連論文リスト

• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• Kronecker Product Feature Fusion for Convolutional Neural Network in Remote Sensing Scene Classification [0.0]
  CNNはリモートセンシング画像から階層的畳み込み特徴を抽出できる。 AddとConcatという2つのFeature Fusionメソッドは、ある種の最先端CNNアルゴリズムで採用されている。 Kronecker Product (KPFF) を用いた上記の手法を統一した新しいFeature Fusionアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-08T19:01:01Z)
• Weakly-supervised fire segmentation by visualizing intermediate CNN layers [82.75113406937194]
  画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。 我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。 CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-11-16T11:56:28Z)
• RepMLP: Re-parameterizing Convolutions into Fully-connected Layers for Image Recognition [123.59890802196797]
  画像認識のための多層パーセプトロン型ニューラルネットワーク構築ブロックであるRepMLPを提案する。 トレーニング中にRepMLP内に畳み込み層を構築し,それをFCにマージして推論を行う。 従来のCNNにRepMLPを挿入することで、ImageNetでは1.8%の精度、顔認識では2.9%、FLOPの低いCityscapeでは2.3%のmIoUを改善します。
  論文  参考訳（メタデータ） (2021-05-05T06:17:40Z)
• How Convolutional Neural Networks Deal with Aliasing [0.0]
  画像分類器cnnは、原則としてアンチエイリアスフィルタを実装できるが、中間層でエイリアスが発生するのを防げないことを示す。 まず,入力時の発振を識別するCNNの能力を評価し,中間チャネルの冗長性がタスクの成功に重要な役割を担っていることを示す。 第2に、画像分類器CNNは、原則として、アンチエイリアスフィルタを実装することができるが、中間層でエイリアスを行うのを妨げないことを示す。
  論文  参考訳（メタデータ） (2021-02-15T18:52:47Z)
• 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)
• Convolutional Neural Networks from Image Markers [62.997667081978825]
  特徴 画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。 本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。 その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
  論文  参考訳（メタデータ） (2020-12-15T22:58:23Z)
• Convolutional Neural Networks for Multispectral Image Cloud Masking [7.812073412066698]
  畳み込みニューラルネットワーク(CNN)は多くの画像分類タスクの最先端技術であることが証明されている。 Proba-Vマルチスペクトル画像のクラウドマスキングにおける異なるCNNアーキテクチャの利用について検討する。
  論文  参考訳（メタデータ） (2020-12-09T21:33:20Z)
• Checkerboard-Artifact-Free Image-Enhancement Network Considering Local and Global Features [20.242221018089715]
  画像強調のために,チェッカーボードのアーティファクトを発生させない新しい畳み込みニューラルネットワーク(CNN)を提案する。 提案したネットワークは、様々な客観的品質指標を用いて、最先端のCNNベースの画像強調手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-10-13T01:28:23Z)
• Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
  本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。 本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。 バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
  論文  参考訳（メタデータ） (2020-08-08T15:50:23Z)

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。

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。