論文の概要: Impact of ImageNet Model Selection on Domain Adaptation
- arxiv url: http://arxiv.org/abs/2002.02559v1
- Date: Thu, 6 Feb 2020 23:58:23 GMT
- ステータス: 処理完了
- システム内更新日: 2023-01-03 12:56:12.299791
- Title: Impact of ImageNet Model Selection on Domain Adaptation
- Title(参考訳): imagenetモデル選択がドメイン適応に及ぼす影響
- Authors: Youshan Zhang and Brian D. Davison
- Abstract要約: 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。
- 参考スコア(独自算出の注目度): 26.016647703500883
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Deep neural networks are widely used in image classification problems.
However, little work addresses how features from different deep neural networks
affect the domain adaptation problem. Existing methods often extract deep
features from one ImageNet model, without exploring other neural networks. In
this paper, we investigate how different ImageNet models affect transfer
accuracy on domain adaptation problems. We extract features from sixteen
distinct pre-trained ImageNet models and examine the performance of twelve
benchmarking methods when using the features. Extensive experimental results
show that a higher accuracy ImageNet model produces better features, and leads
to higher accuracy on domain adaptation problems (with a correlation
coefficient of up to 0.95). We also examine the architecture of each neural
network to find the best layer for feature extraction. Together, performance
from our features exceeds that of the state-of-the-art in three benchmark
datasets.
- Abstract(参考訳): ディープニューラルネットワークは画像分類問題に広く利用されている。
しかし、異なるディープニューラルネットワークの機能がどのようにドメイン適応問題に影響を及ぼすかは、ほとんど問題になっていない。
既存の方法は、他のニューラルネットワークを探索することなく、あるイメージネットモデルから深い特徴を抽出することが多い。
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。
本研究では,プリトレーニングされた16種類のimagenetモデルから特徴を抽出し,その特徴を用いた12種類のベンチマーク手法の性能について検討する。
大規模な実験の結果、画像ネットモデルの方が精度が高く、ドメイン適応問題(相関係数0.95)の精度が高いことが示されている。
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,特徴抽出のための最善のレイヤを見つける。
共に、我々の機能によるパフォーマンスは、3つのベンチマークデータセットで最先端のパフォーマンスを上回っています。
関連論文リスト
- ImageNet-E: Benchmarking Neural Network Robustness via Attribute Editing [45.14977000707886]
ImageNetにおける高い精度は、通常、異なる汚職に対してより堅牢性をもたらす。
我々は、背景、大きさ、位置、方向の制御によるオブジェクト編集のためのツールキットを作成する。
我々は、畳み込みニューラルネットワークと視覚変換器の両方を含む現在のディープラーニングモデルの性能を評価する。
論文 参考訳(メタデータ) (2023-03-30T02:02:32Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳(メタデータ) (2022-11-09T14:57:27Z) - Part-Based Models Improve Adversarial Robustness [57.699029966800644]
人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。
我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。
実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
論文 参考訳(メタデータ) (2022-09-15T15:41:47Z) - Multilayer deep feature extraction for visual texture recognition [0.0]
本稿では,テクスチャ分類における畳み込みニューラルネットワークの精度向上に着目した。
事前訓練されたニューラルネットワークの複数の畳み込み層から特徴を抽出し、フィッシャーベクトルを用いてそのような特徴を集約する。
本手法は,ブラジルの植物種識別の実践的課題と同様に,ベンチマークデータセットのテクスチャ分類における有効性を検証する。
論文 参考訳(メタデータ) (2022-08-22T03:53:43Z) - FuNNscope: Visual microscope for interactively exploring the loss
landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。
我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。
インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文 参考訳(メタデータ) (2022-04-09T16:41:53Z) - Core Risk Minimization using Salient ImageNet [53.616101711801484]
私たちは、1000のImagenetクラスのコアとスプリアス機能をローカライズする100万人以上のソフトマスクを備えたSalient Imagenetデータセットを紹介します。
このデータセットを用いて、まず、いくつかのImagenet事前訓練されたモデル(総計42件)の素早い特徴に対する依存度を評価する。
次に、コアリスク最小化(CoRM)と呼ばれる新しい学習パラダイムを導入する。
論文 参考訳(メタデータ) (2022-03-28T01:53:34Z) - Glance and Focus: a Dynamic Approach to Reducing Spatial Redundancy in
Image Classification [46.885260723836865]
ディープ畳み込みニューラルネットワーク (Deep Convolutional Neural Network, CNN) は、高解像度画像で処理することで一般的に改善される。
画像中のすべての領域がタスク関連であるとは限らないという事実に着想を得て,効率的な画像分類を行う新しいフレームワークを提案する。
我々のフレームワークは、最先端の軽量CNNの多くと互換性があり、汎用的で柔軟です。
論文 参考訳(メタデータ) (2020-10-11T17:55:06Z) - Multi-task pre-training of deep neural networks for digital pathology [8.74883469030132]
私たちはまず、多くのデジタル病理データセットを22の分類タスクと約900kの画像のプールに組み立て、変換しました。
特徴抽出器として使用されるモデルは、ImageNet事前訓練されたモデルよりも大幅に改善されるか、同等のパフォーマンスを提供するかを示す。
論文 参考訳(メタデータ) (2020-05-05T08:50:17Z) - Beyond Dropout: Feature Map Distortion to Regularize Deep Neural
Networks [107.77595511218429]
本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。
上記の問題に対処するための特徴歪み法(Disout)を提案する。
より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
論文 参考訳(メタデータ) (2020-02-23T13:59:13Z) - Improving the Resolution of CNN Feature Maps Efficiently with
Multisampling [8.655380837944188]
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。
論文 参考訳(メタデータ) (2018-05-28T04:29:02Z)
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。