論文の概要: Streaming Networks: Increase Noise Robustness and Filter Diversity via
Hard-wired and Input-induced Sparsity
- arxiv url: http://arxiv.org/abs/2004.03334v2
- Date: Thu, 9 Apr 2020 03:50:07 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-18 08:40:48.423277
- Title: Streaming Networks: Increase Noise Robustness and Filter Diversity via
Hard-wired and Input-induced Sparsity
- Title（参考訳）: ストリーミングネットワーク:ハードワイヤおよび入力励振によるノイズロバスト性の向上とフィルタの多様性
- Authors: Sergey Tarasenko and Fumihiko Takahashi
- Abstract要約: 近年の研究では、CNNの認識精度が、画像がノイズによって損なわれている場合、大幅に低下することが示されている。
本稿では,Streaming Networksと呼ばれる新しいネットワークアーキテクチャを提案する。
その結果、ハードワイヤとインプットインプットインプットインプットの両方の存在だけで、堅牢なノイズ画像認識が可能であることが示唆された。
- 参考スコア（独自算出の注目度）: 0.2538209532048866
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The CNNs have achieved a state-of-the-art performance in many applications.
Recent studies illustrate that CNN's recognition accuracy drops drastically if
images are noise corrupted. We focus on the problem of robust recognition
accuracy of noise-corrupted images. We introduce a novel network architecture
called Streaming Networks. Each stream is taking a certain intensity slice of
the original image as an input, and stream parameters are trained
independently. We use network capacity, hard-wired and input-induced sparsity
as the dimensions for experiments. The results indicate that only the presence
of both hard-wired and input-induces sparsity enables robust noisy image
recognition. Streaming Nets is the only architecture which has both types of
sparsity and exhibits higher robustness to noise. Finally, to illustrate
increase in filter diversity we illustrate that a distribution of filter
weights of the first conv layer gradually approaches uniform distribution as
the degree of hard-wired and domain-induced sparsity and capacities increases.
- Abstract（参考訳）: CNNは多くのアプリケーションで最先端のパフォーマンスを達成した。
近年の研究では、CNNの認識精度が、画像にノイズが生じると大幅に低下することが示された。
ノイズ破損画像の頑健な認識精度の問題に焦点をあてる。
ストリーミングネットワークと呼ばれる新しいネットワークアーキテクチャを導入する。
各ストリームは元のイメージの特定の強度スライスを入力として取り、ストリームパラメータは独立して訓練される。
我々は実験の次元として、ネットワーク容量、ハードワイヤおよび入力誘起空間を使用する。
その結果,ハードワイヤとインプットインデューサの両方が存在するだけで,頑健な雑音画像認識が可能となった。
Streaming Netsは両方の種類の疎性を持ち、ノイズに対する堅牢性を示す唯一のアーキテクチャである。
最後に、フィルタの多様性の増大を示すために、第1のconv層のフィルタ重みの分布が、ハードワイヤおよびドメイン誘起スパーシティおよびキャパシティの度合いが増加するにつれて、徐々に均一な分布に近づくことを示す。
関連論文リスト
- TMFNet: Two-Stream Multi-Channels Fusion Networks for Color Image Operation Chain Detection [9.346492393908322]
カラー画像操作連鎖検出のための新しい2ストリーム多チャンネル融合ネットワークを提案する。
提案手法はJPEG圧縮に対するロバスト性を維持しつつ,最先端の一般化能力を実現する。
論文 参考訳（メタデータ） (2024-09-12T02:04:26Z) - Feature Attention Network (FA-Net): A Deep-Learning Based Approach for
Underwater Single Image Enhancement [0.8694819854201992]
本稿では,この問題を解決するために,ディープラーニングと機能アテンションに基づくエンドツーエンドネットワーク(FA-Net)を提案する。
特に,チャンネルアテンション,画素アテンション,長いスキップ接続を伴う残差学習機構を含む残差特徴注意ブロック(RFAB)を提案する。
RFABは、マルチホップ接続上で低周波情報をスキップしながら、高周波情報を学習することに集中することができる。
論文 参考訳（メタデータ） (2023-08-30T08:56:36Z) - Learning Heavily-Degraded Prior for Underwater Object Detection [59.5084433933765]
本稿では、検出器フレンドリーな画像から、転送可能な事前知識を求める。
これは、検出器フレンドリー(DFUI)と水中画像の高度に劣化した領域が、特徴分布のギャップがあることを統計的に観察したものである。
高速かつパラメータの少ない本手法は変圧器型検出器よりも優れた性能を保っている。
論文 参考訳（メタデータ） (2023-08-24T12:32:46Z) - Multi-stage image denoising with the wavelet transform [125.2251438120701]
深部畳み込みニューラルネットワーク(Deep Convolutional Neural Network, CNN)は、正確な構造情報を自動マイニングすることで、画像の復調に使用される。
動的畳み込みブロック(DCB)、2つのカスケードウェーブレット変換および拡張ブロック(WEB)、残留ブロック(RB)の3段階を経由した、MWDCNNによるCNNの多段階化を提案する。
論文 参考訳（メタデータ） (2022-09-26T03:28:23Z) - Gabor is Enough: Interpretable Deep Denoising with a Gabor Synthesis
Dictionary Prior [6.297103076360578]
ガバーライクなフィルタはCNN分類器の初期層や低レベルの画像処理ネットワークで観測されている。
本研究では,自然像のCNNのフィルタを2次元実ガボルフィルタで学習するために,この観察を極端かつ明示的に制限する。
提案したネットワーク(GDLNet)は,一般的な完全畳み込みニューラルネットワークにおいて,最先端のデノゲーション性能を実現することができる。
論文 参考訳（メタデータ） (2022-04-23T22:21:54Z) - Convolutional Neural Network with Convolutional Block Attention Module
for Finger Vein Recognition [4.035753155957698]
指静脈認識のための畳み込みブロックアテンションモジュール(CBAM)を用いた軽量畳み込みニューラルネットワークを提案する。
実験は2つの公開データベース上で実施され,本手法がマルチモーダル・フィンガー認識において安定かつ高精度で頑健な性能を実現することを示す。
論文 参考訳（メタデータ） (2022-02-14T12:59:23Z) - Dynamic Slimmable Denoising Network [64.77565006158895]
DDSNet(Dynamic Slimmable Denoising Network)は、計算量が少なくて優れたDenoising品質を実現するための一般的な手法である。
OurNetには動的ゲートによる動的推論の能力が備わっている。
我々の実験は、最先端の個別に訓練された静的 denoising ネットワークよりも一貫して優れています。
論文 参考訳（メタデータ） (2021-10-17T22:45:33Z) - Learning to Learn Parameterized Classification Networks for Scalable
Input Images [76.44375136492827]
畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。
我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。
さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
論文 参考訳（メタデータ） (2020-07-13T04:27:25Z) - Identity Enhanced Residual Image Denoising [61.75610647978973]
我々は、アイデンティティマッピングモジュールのチェーンと、画像の復号化のための残像アーキテクチャの残像からなる、完全な畳み込みネットワークモデルを学ぶ。
提案するネットワークは,従来の最先端・CNNアルゴリズムよりも極めて高い数値精度と画像品質を実現している。
論文 参考訳（メタデータ） (2020-04-26T04:52:22Z) - A "Network Pruning Network" Approach to Deep Model Compression [62.68120664998911]
マルチタスクネットワークを用いた深部モデル圧縮のためのフィルタプルーニング手法を提案する。
我々のアプローチは、プレナーネットワークを学習して、事前訓練されたターゲットネットワークを訓練することに基づいている。
提案手法によって生成された圧縮モデルは汎用的であり,特別なハードウェア/ソフトウェアのサポートは不要である。
論文 参考訳（メタデータ） (2020-01-15T20:38:23Z) - ReluDiff: Differential Verification of Deep Neural Networks [8.601847909798165]
我々は2つの密接に関連するネットワークの差分検証法を開発した。
我々は2つのネットワークの構造的および行動的類似性を利用して、2つのネットワークの出力ニューロン間の差異をより正確に拘束する。
実験の結果,最先端の検証ツールと比較して,精度向上が可能であることがわかった。
論文 参考訳（メタデータ） (2020-01-10T20:47:22Z)
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。