論文の概要: Multilayer Dense Connections for Hierarchical Concept Classification

• arxiv url: http://arxiv.org/abs/2003.09015v2
• Date: Mon, 22 Feb 2021 19:20:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-22 04:05:34.104737
• Title: Multilayer Dense Connections for Hierarchical Concept Classification
• Title（参考訳）: 階層型概念分類のための多層ディエンス接続
• Authors: Toufiq Parag and Hongcheng Wang
• Abstract要約: 同じCNNで階層的な順序でカテゴリとその概念上のスーパークラスを同時予測するための多層密接続を提案する。 提案するネットワークは,複数のデータセットにおいて既存のアルゴリズムよりも粗いスーパークラスと細かなカテゴリの両方を同時に予測できることを実験的に実証した。
• 参考スコア（独自算出の注目度）: 3.6093339545734886
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Classification is a pivotal function for many computer vision tasks such as object classification, detection, scene segmentation. Multinomial logistic regression with a single final layer of dense connections has become the ubiquitous technique for CNN-based classification. While these classifiers project a mapping between the input and a set of output category classes, they do not typically yield a comprehensive description of the category. In particular, when a CNN based image classifier correctly identifies the image of a Chimpanzee, its output does not clarify that Chimpanzee is a member of Primate, Mammal, Chordate families and a living thing. We propose a multilayer dense connectivity for concurrent prediction of category and its conceptual superclasses in hierarchical order by the same CNN. We experimentally demonstrate that our proposed network can simultaneously predict both the coarse superclasses and finer categories better than several existing algorithms in multiple datasets.
• Abstract（参考訳）: 分類は、オブジェクト分類、検出、シーンセグメンテーションなどの多くのコンピュータビジョンタスクにおいて重要な機能である。 高密度接続の最終層を持つ多項ロジスティック回帰は、cnnに基づく分類のユビキタスな手法となっている。 これらの分類器は、入力と出力カテゴリクラスの集合の間のマッピングを投影するが、それらは一般的にカテゴリの包括的な記述を与えない。 特に、CNNベースの画像分類器がチンパンジーの画像を正しく識別した場合、その出力は、チンパンジーが霊長類、哺乳動物、チョルト科、および生物の成員であることを明らかにしない。 カテゴリの同時予測と概念超クラスを同一cnnで階層順に同時予測する多層密結合を提案する。 提案するネットワークは,複数のデータセットにおいて既存のアルゴリズムよりも粗いスーパークラスと細かいカテゴリの両方を同時に予測できることを実験的に実証する。

関連論文リスト

• Bayesian and Convolutional Networks for Hierarchical Morphological Classification of Galaxies [1.474723404975345]
  この研究は、ハッブル系列に続く銀河の形態的分類に焦点をあて、異なるクラスが階層構造に配置されている。 提案手法である BCNN は2つの主モジュールから構成される。 BCNNは複数の評価尺度において複数のCNNよりも優れており、その次のスコアは67%の正確な一致、78%の精度、83%の階層的なF測定であった。
  論文  参考訳（メタデータ） (2024-05-03T06:48:53Z)
• Fine-grained Recognition with Learnable Semantic Data Augmentation [68.48892326854494]
  きめ細かい画像認識は、長年続くコンピュータビジョンの課題である。 本稿では,識別領域損失問題を軽減するため,特徴レベルのトレーニングデータを多様化することを提案する。 本手法は,いくつかの人気分類ネットワーク上での一般化性能を著しく向上させる。
  論文  参考訳（メタデータ） (2023-09-01T11:15:50Z)
• A Capsule Network for Hierarchical Multi-Label Image Classification [2.507647327384289]
  階層的な多ラベル分類は、階層構造や分類に基づくより小さな分類に分類された多クラス画像分類問題に適用される。 階層分類のためのマルチラベルカプセルネットワーク(ML-CapsNet)を提案する。
  論文  参考訳（メタデータ） (2022-09-13T04:17:08Z)
• Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
  本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。 実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2022-03-17T04:34:28Z)
• Deep ensembles in bioimage segmentation [74.01883650587321]
  本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。 アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。 提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
  論文  参考訳（メタデータ） (2021-12-24T05:54:21Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• Forest R-CNN: Large-Vocabulary Long-Tailed Object Detection and Instance Segmentation [75.93960390191262]
  我々は、オブジェクトカテゴリ間の関係に関する事前知識を利用して、きめ細かいクラスを粗い親クラスにクラスタリングする。 そこで本研究では,NMS再サンプリング法を提案する。 提案手法はフォレストR-CNNと呼ばれ,ほとんどのオブジェクト認識モデルに適用可能なプラグイン・アンド・プレイモジュールとして機能する。
  論文  参考訳（メタデータ） (2020-08-13T03:52:37Z)
• Conditional Classification: A Solution for Computational Energy Reduction [2.182419181054266]
  本稿では,畳み込みニューラルネットワークモデルの計算複雑性を低減する新しい手法を提案する。 提案手法は,1)入力サンプルを一連の超クラスに分類する粗粒分類,2)最終ラベルを第1ステップで検出した超クラス間で予測する細粒分類の2段階に分類する。
  論文  参考訳（メタデータ） (2020-06-29T03:50:39Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)
• A Systematic Evaluation: Fine-Grained CNN vs. Traditional CNN Classifiers [54.996358399108566]
  本稿では,大規模分類データセット上でトップノーチ結果を示すランドマーク一般的なCNN分類器の性能について検討する。 最先端のきめ細かい分類器と比較する。 実験において, 粒度の細かい分類器がベースラインを高められるかどうかを判定するために, 6つのデータセットについて広範囲に評価する。
  論文  参考訳（メタデータ） (2020-03-24T23:49:14Z)

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。