論文の概要: A Survey of Convolutional Neural Networks: Analysis, Applications, and
Prospects
- arxiv url: http://arxiv.org/abs/2004.02806v1
- Date: Wed, 1 Apr 2020 14:04:10 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-17 18:46:49.939588
- Title: A Survey of Convolutional Neural Networks: Analysis, Applications, and
Prospects
- Title（参考訳）: 畳み込みニューラルネットワークに関するサーベイ:解析,応用,展望
- Authors: Zewen Li, Wenjie Yang, Shouheng Peng, Fan Liu
- Abstract要約: 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。
- 参考スコア（独自算出の注目度）: 7.22597399879991
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional Neural Network (CNN) is one of the most significant networks in
the deep learning field. Since CNN made impressive achievements in many areas,
including but not limited to computer vision and natural language processing,
it attracted much attention both of industry and academia in the past few
years. The existing reviews mainly focus on the applications of CNN in
different scenarios without considering CNN from a general perspective, and
some novel ideas proposed recently are not covered. In this review, we aim to
provide novel ideas and prospects in this fast-growing field as much as
possible. Besides, not only two-dimensional convolution but also
one-dimensional and multi-dimensional ones are involved. First, this review
starts with a brief introduction to the history of CNN. Second, we provide an
overview of CNN. Third, classic and advanced CNN models are introduced,
especially those key points making them reach state-of-the-art results. Fourth,
through experimental analysis, we draw some conclusions and provide several
rules of thumb for function selection. Fifth, the applications of
one-dimensional, two-dimensional, and multi-dimensional convolution are
covered. Finally, some open issues and promising directions for CNN are
discussed to serve as guidelines for future work.
- Abstract（参考訳）: 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で最も重要なネットワークの1つである。
CNNはコンピュータビジョンや自然言語処理に限らず、多くの分野で目覚ましい業績を残したため、ここ数年で産業と学界の両方に大きな注目を集めた。
既存のレビューは主に、CNNを一般的な視点から考えることなく、さまざまなシナリオにおけるCNNの適用に焦点を当てている。
本稿では、この急成長分野における新しいアイデアと展望をできるだけ早く提供することを目的とする。
また、2次元の畳み込みだけでなく、1次元および多次元の畳み込みも関与する。
まず、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。
次に、CNNの概要を紹介する。
第3に、古典的なcnnモデルと先進的なcnnモデルが紹介され、特にそのキーポイントが最先端の結果に到達している。
第4に,実験分析により,いくつかの結論を導き,機能選択のためのいくつかの規則を提示する。
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。
最後に、今後の作業のガイドラインとして、いくつかのオープンな問題とCNNの有望な方向性について論じる。
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) - OA-CNNs: Omni-Adaptive Sparse CNNs for 3D Semantic Segmentation [70.17681136234202]
設計上の違いを再検討し、スパースCNNが達成できることの限界をテストする。
本稿では,このギャップを埋めるために,適応受容場(親和性)と適応関係という2つの重要な要素を提案する。
この調査により、軽量モジュールを統合するネットワークのファミリーであるOmni-Adaptive 3D CNN(OA-CNN)が開発された。
論文 参考訳（メタデータ） (2024-03-21T14:06:38Z) - 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) - A novel feature-scrambling approach reveals the capacity of
convolutional neural networks to learn spatial relations [0.0]
畳み込みニューラルネットワーク(CNN)は、物体認識を解く最も成功したコンピュータビジョンシステムの一つである。
しかし、CNNが実際にどのように決断を下すのか、内部表現の性質や認識戦略が人間とどのように異なるのかは、いまだに理解されていない。
論文 参考訳（メタデータ） (2022-12-12T16:40:29Z) - 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) - Convolutional Neural Networks Demystified: A Matched Filtering
Perspective Based Tutorial [7.826806223782053]
畳み込みニューラルネットワーク(CNN)は、大量の信号や画像を分析するためのデファクト標準である。
我々は、最初の原則と一致するフィルタリングの観点から、それらの操作を再考する。
このチュートリアルが、深層ニューラルネットワークの理解とさらなる発展に新たな光と物理的直感をもたらすことを願っています。
論文 参考訳（メタデータ） (2021-08-26T09:07:49Z) - 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) - 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) - 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) - What's the relationship between CNNs and communication systems? [5.942238281458159]
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。
論文 参考訳（メタデータ） (2020-03-03T09:50:46Z)
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。