論文の概要: Adaptive Neuron-wise Discriminant Criterion and Adaptive Center Loss at
Hidden Layer for Deep Convolutional Neural Network
- arxiv url: http://arxiv.org/abs/2004.08074v1
- Date: Fri, 17 Apr 2020 05:52:24 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-12 13:26:21.795682
- Title: Adaptive Neuron-wise Discriminant Criterion and Adaptive Center Loss at
Hidden Layer for Deep Convolutional Neural Network
- Title（参考訳）: 深層畳み込みニューラルネットワークのための適応的ニューロン識別基準と隠れ層における適応中心損失
- Authors: Motoshi Abe, Junichi Miyao, Takio Kurita
- Abstract要約: 深層畳み込みニューラルネットワーク(CNN)は画像分類において広く使われており、他の手法よりも精度が高い。
出力層の特徴をより差別的にするために、トレーニングの目的関数に追加用語を導入する作業もある。
本稿では, 出力層におけるニューロンの識別基準と, 隠蔽層における中心損失を併用することを提案する。
- 参考スコア（独自算出の注目度）: 3.0165431987188245
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A deep convolutional neural network (CNN) has been widely used in image
classification and gives better classification accuracy than the other
techniques. The softmax cross-entropy loss function is often used for
classification tasks. There are some works to introduce the additional terms in
the objective function for training to make the features of the output layer
more discriminative. The neuron-wise discriminant criterion makes the input
feature of each neuron in the output layer discriminative by introducing the
discriminant criterion to each of the features. Similarly, the center loss was
introduced to the features before the softmax activation function for face
recognition to make the deep features discriminative. The ReLU function is
often used for the network as an active function in the hidden layers of the
CNN. However, it is observed that the deep features trained by using the ReLU
function are not discriminative enough and show elongated shapes. In this
paper, we propose to use the neuron-wise discriminant criterion at the output
layer and the center-loss at the hidden layer. Also, we introduce the online
computation of the means of each class with the exponential forgetting. We
named them adaptive neuron-wise discriminant criterion and adaptive center
loss, respectively. The effectiveness of the integration of the adaptive
neuron-wise discriminant criterion and the adaptive center loss is shown by the
experiments with MNSIT, FashionMNIST, CIFAR10, CIFAR100, and STL10. Source code
is at https://github.com/i13abe/Adaptive-discriminant-and-center
- Abstract（参考訳）: 深層畳み込みニューラルネットワーク(CNN)は画像分類において広く使われており、他の手法よりも精度が高い。
ソフトマックスクロスエントロピー損失関数はしばしば分類タスクに使用される。
出力層の特徴をより差別的にするために、トレーニングの目的関数に追加用語を導入する作業もある。
ニューロン別判別基準は、各特徴に識別基準を導入することにより、出力層における各ニューロンの入力特徴を判別する。
同様に、深部特徴を識別するために顔認識のためのソフトマックスアクティベーション機能以前の特徴に中心損失を導入した。
ReLU関数はCNNの隠された層におけるアクティブ関数としてよく使用される。
しかし、ReLU関数を用いて訓練した深い特徴は十分に識別できず、細長い形状を示すことが観察された。
本稿では, 出力層におけるニューロンの識別基準と隠蔽層における中心損失の利用を提案する。
また,指数的忘れを伴って各クラスの手段のオンライン計算を導入する。
適応型ニューロン識別基準と適応型中心喪失とをそれぞれ命名した。
mnsit, fashionmnist, cifar10, cifar100, stl10を用いた実験により,適応的ニューロン識別基準と適応中心損失の統合の有効性を示した。
ソースコードはhttps://github.com/i13abe/adaptive-discriminant-and-centerにある。
関連論文リスト
- Neural Loss Function Evolution for Large-Scale Image Classifier Convolutional Neural Networks [0.0]
分類では、ニューラルネットワークはクロスエントロピーを最小化して学習するが、精度を用いて評価され、比較される。
この格差は、ニューラルネットワークのクロスエントロピーのドロップイン置換損失関数探索であるニューラルロス関数探索(NLFS)を示唆している。
より多様な損失関数を探索するNLFSの新しい探索空間を提案する。
論文 参考訳（メタデータ） (2024-01-30T17:21:28Z) - Globally Optimal Training of Neural Networks with Threshold Activation
Functions [63.03759813952481]
しきい値アクティベートを伴うディープニューラルネットワークの重み劣化正規化学習問題について検討した。
ネットワークの特定の層でデータセットを破砕できる場合に、簡易な凸最適化の定式化を導出する。
論文 参考訳（メタデータ） (2023-03-06T18:59:13Z) - 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) - Explainability Tools Enabling Deep Learning in Future In-Situ Real-Time
Planetary Explorations [58.720142291102135]
ディープラーニング(DL)は、効果的な機械学習とコンピュータビジョン技術であることが証明されている。
ディープニューラルネットワーク(DNN)アーキテクチャのほとんどは複雑すぎて'ブラックボックス'と見なされている。
本稿では,各ニューロンの出力クラスへの属性を記述するために,積分勾配を用いた。
DNNのブラックボックスを開くための説明可能性ツールセット(ET)を提供するので、分類へのニューロンの個々の貢献をランク付けし視覚化することができる。
論文 参考訳（メタデータ） (2022-01-15T07:10:00Z) - A Comprehensive Survey and Performance Analysis of Activation Functions
in Deep Learning [23.83339228535986]
さまざまなタイプの問題に対処するために、さまざまなタイプのニューラルネットワークが導入されている。
ニューラルネットワークの主な目標は、非線形分離可能な入力データをより線形分離可能な抽象的特徴に変換することである。
最もポピュラーで一般的な非線形層は、ロジスティックシグモド、タン、ReLU、ELU、Swish、Mishなどのアクティベーション関数(AF)である。
論文 参考訳（メタデータ） (2021-09-29T16:41:19Z) - Implementing a foveal-pit inspired filter in a Spiking Convolutional
Neural Network: a preliminary study [0.0]
我々は,網膜卵管刺激によるガウスフィルタとランク順符号化の差異を取り入れたスポーキング畳み込みニューラルネットワーク(SCNN)を提示した。
このモデルは、Nengoライブラリーで実装されているように、スパイキングニューロンで動作するように適応されたバックプロパゲーションアルゴリズムの変種を用いて訓練される。
ネットワークは最大90%の精度で達成され、損失はクロスエントロピー関数を用いて計算される。
論文 参考訳（メタデータ） (2021-05-29T15:28:30Z) - Topological obstructions in neural networks learning [67.8848058842671]
損失勾配関数フローのグローバル特性について検討する。
損失関数とそのモースコンプレックスの位相データ解析を用いて,損失面の大域的特性と勾配軌道に沿った局所的挙動を関連付ける。
論文 参考訳（メタデータ） (2020-12-31T18:53:25Z) - Comparisons among different stochastic selection of activation layers
for convolutional neural networks for healthcare [77.99636165307996]
ニューラルネットワークのアンサンブルを用いて生体医用画像の分類を行う。
ReLU, leaky ReLU, Parametric ReLU, ELU, Adaptive Piecewice Linear Unit, S-Shaped ReLU, Swish, Mish, Mexican Linear Unit, Parametric Deformable Linear Unit, Soft Root Sign。
論文 参考訳（メタデータ） (2020-11-24T01:53:39Z) - $\sigma^2$R Loss: a Weighted Loss by Multiplicative Factors using
Sigmoidal Functions [0.9569316316728905]
我々は,二乗還元損失(sigma2$R損失)と呼ばれる新たな損失関数を導入する。
我々の損失は明らかな直観と幾何学的解釈を持ち、我々の提案の有効性を実験によって実証する。
論文 参考訳（メタデータ） (2020-09-18T12:34:40Z) - Non-linear Neurons with Human-like Apical Dendrite Activations [81.18416067005538]
XOR論理関数を100%精度で学習し, 標準的なニューロンに後続のアピーカルデンドライト活性化(ADA)が認められた。
コンピュータビジョン,信号処理,自然言語処理の6つのベンチマークデータセットについて実験を行った。
論文 参考訳（メタデータ） (2020-02-02T21:09:39Z)
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。