論文の概要: What's the relationship between CNNs and communication systems?

• arxiv url: http://arxiv.org/abs/2003.01413v1
• Date: Tue, 3 Mar 2020 09:50:46 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 23:18:48.971788
• Title: What's the relationship between CNNs and communication systems?
• Title（参考訳）: CNNと通信システムとの関係はどうなっていますか?
• Authors: Hao Ge, Xiaoguang Tu, Yanxiang Gong, Mei Xie, Zheng Ma
• Abstract要約: 我々は、CNNと通信システムを比較して、CNNの動作メカニズムを全く異なる解釈で明らかにすることができると論じる。 本稿では,2つのモジュール間の対応関係をうまく把握し,実験との対応関係の合理性を検証した。
• 参考スコア（独自算出の注目度）: 5.942238281458159
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The interpretability of Convolutional Neural Networks (CNNs) is an important topic in the field of computer vision. In recent years, works in this field generally adopt a mature model to reveal the internal mechanism of CNNs, helping to understand CNNs thoroughly. In this paper, we argue the working mechanism of CNNs can be revealed through a totally different interpretation, by comparing the communication systems and CNNs. This paper successfully obtained the corresponding relationship between the modules of the two, and verified the rationality of the corresponding relationship with experiments. Finally, through the analysis of some cutting-edge research on neural networks, we find the inherent relation between these two tasks can be of help in explaining these researches reasonably, as well as helping us discover the correct research direction of neural networks.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)の解釈可能性は、コンピュータビジョンの分野で重要なトピックである。 近年では、CNNの内部メカニズムを明らかにするために、この分野での作業が一般的に成熟したモデルを採用しており、CNNの理解に役立っている。 本稿では,cnnの動作メカニズムを,通信システムとcnnを比較することで,全く異なる解釈によって明らかにできると主張する。 本稿では,2つのモジュール間の対応関係をうまく把握し,実験との対応関係の合理性を検証した。 最後に、ニューラルネットワークに関する最先端の研究の分析を通して、これらの2つのタスク間の固有の関係は、これらの研究を合理的に説明し、ニューラルネットワークの正しい研究方向を見つけるのに役立つ。

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)
• Transferability of Convolutional Neural Networks in Stationary Learning Tasks [96.00428692404354]
  本稿では,大規模な空間問題に対する畳み込みニューラルネットワーク(CNN)の効率的なトレーニングのための新しいフレームワークを提案する。 このような信号の小さなウィンドウで訓練されたCNNは、再学習することなく、はるかに大きなウィンドウでほぼ性能を発揮することを示す。 以上の結果から,CNNは10人未満の訓練を受けた後,数百人のエージェントによる問題に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-21T13:51:45Z)
• Demystifying CNNs for Images by Matched Filters [13.121514086503591]
  畳み込みニューラルネットワーク(CNN)は、ビッグデータ時代のインテリジェントマシンのアプローチと使用方法に革命をもたらしています。 CNNは、そのテキストブラックボックスの性質と、その操作の理論的サポートと物理的意味の欠如により、精査されている。 本稿では,マッチングフィルタリングの観点を用いて,CNNの動作を復調する手法を提案する。
  論文  参考訳（メタデータ） (2022-10-16T12:39:17Z)
• Deeply Explain CNN via Hierarchical Decomposition [75.01251659472584]
  コンピュータビジョンにおいて、CNNの説明に寄与するいくつかの手法は、中間的特徴がネットワーク予測にどのように影響するかを研究する。 本稿では,CNNの意思決定過程をトップダウンで説明する階層的な分解フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-01-23T07:56:04Z)
• BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by Adversarial Attacks [65.2021953284622]
  CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。 結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
  論文  参考訳（メタデータ） (2021-03-14T20:43:19Z)
• On 1/n neural representation and robustness [13.491651740693705]
  実験で観測された構造をニューラルネットワークに組み込むことで、敵の攻撃に対してより堅牢であることを示す。 本研究は,広いニューラルネットワークとカーネル手法に関する既存の理論を補完するものである。
  論文  参考訳（メタデータ） (2020-12-08T20:34:49Z)
• Decoding CNN based Object Classifier Using Visualization [6.666597301197889]
  CNNのさまざまな畳み込み層で抽出される特徴の種類を視覚化する。 アクティベーションのヒートマップを可視化することは、CNNが画像内の異なるオブジェクトを分類し、ローカライズする方法を理解するのに役立ちます。
  論文  参考訳（メタデータ） (2020-07-15T05:01:27Z)
• Boosting Deep Neural Networks with Geometrical Prior Knowledge: A Survey [77.99182201815763]
  ディープニューラルネットワーク(DNN)は多くの異なる問題設定において最先端の結果を達成する。 DNNはしばしばブラックボックスシステムとして扱われ、評価と検証が複雑になる。 コンピュータビジョンタスクにおける畳み込みニューラルネットワーク(CNN)の成功に触発された、有望な分野のひとつは、対称幾何学的変換に関する知識を取り入れることである。
  論文  参考訳（メタデータ） (2020-06-30T14:56:05Z)
• An Information-theoretic Visual Analysis Framework for Convolutional Neural Networks [11.15523311079383]
  CNNモデルから抽出可能なデータを整理するデータモデルを提案する。 次に、異なる状況下でエントロピーを計算する2つの方法を提案する。 我々は,モデル内の情報変化量をインタラクティブに探索する視覚解析システムCNNSlicerを開発した。
  論文  参考訳（メタデータ） (2020-05-02T21:36:50Z)
• A Survey of Convolutional Neural Networks: Analysis, Applications, and Prospects [7.22597399879991]
  畳み込みニューラルネットワーク(CNN)は、ディープラーニング分野において最も重要なネットワークの一つである。 このレビューは、CNNの歴史に関する簡単な紹介から始まる。 第3に、古典的かつ先進的なCNNモデル、特に最先端の結果に到達するための重要なポイントが導入されている。 五つ目は、一次元、二次元、多次元の畳み込みの応用についてである。
  論文  参考訳（メタデータ） (2020-04-01T14:04:10Z)
• Architecture Disentanglement for Deep Neural Networks [174.16176919145377]
  ディープニューラルネットワーク(DNN)の内部動作を説明するために,ニューラルアーキテクチャ・ディコンタングルメント(NAD)を導入する。 NADは、訓練済みのDNNを独立したタスクに従ってサブアーキテクチャに切り離すことを学び、推論プロセスを記述する情報フローを形成する。 その結果、誤分類された画像は、タスクサブアーキテクチャーに正しいサブアーキテクチャーに割り当てられる確率が高いことが示された。
  論文  参考訳（メタデータ） (2020-03-30T08:34:33Z)

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。