論文の概要: CoInGP: Convolutional Inpainting with Genetic Programming

• arxiv url: http://arxiv.org/abs/2004.11300v2
• Date: Sun, 25 Apr 2021 10:23:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-10 08:44:24.122572
• Title: CoInGP: Convolutional Inpainting with Genetic Programming
• Title（参考訳）: CoInGP: 遺伝的プログラミングによる畳み込み
• Authors: Domagoj Jakobovic, Luca Manzoni, Luca Mariot, Stjepan Picek, Mauro Castelli
• Abstract要約: 遺伝的プログラミング(GP)は、画像中のピクセルを欠くための畳み込み予測器である。 MNISTデータセットから1000個の完全画像のサブセットにGPツリーをトレーニングする。 第2の実験では、2つの劣化した画像に対してGP畳み込み予測器を訓練し、約20%の画素を除去した。
• 参考スコア（独自算出の注目度）: 14.760703384346984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We investigate the use of Genetic Programming (GP) as a convolutional predictor for missing pixels in images. The training phase is performed by sweeping a sliding window over an image, where the pixels on the border represent the inputs of a GP tree. The output of the tree is taken as the predicted value for the central pixel. We consider two topologies for the sliding window, namely the Moore and the Von Neumann neighborhood. The best GP tree scoring the lowest prediction error over the training set is then used to predict the pixels in the test set. We experimentally assess our approach through two experiments. In the first one, we train a GP tree over a subset of 1000 complete images from the MNIST dataset. The results show that GP can learn the distribution of the pixels with respect to a simple baseline predictor, with no significant differences observed between the two neighborhoods. In the second experiment, we train a GP convolutional predictor on two degraded images, removing around 20% of their pixels. In this case, we observe that the Moore neighborhood works better, although the Von Neumann neighborhood allows for a larger training set.
• Abstract（参考訳）: 画像の欠落画素に対する畳み込み予測器として,遺伝的プログラミング(GP)を用いることを検討した。 トレーニングフェーズは、境界の画素がGPツリーの入力を表す画像上にスライディングウィンドウをスライディングすることで行われる。 ツリーの出力を中央画素の予測値とする。 我々は、スライドウィンドウ、すなわちムーアとフォン・ノイマン近傍の2つの位相を考える。 トレーニングセット上で最も低い予測エラーをスコアする最高のgpツリーは、テストセットのピクセルを予測するために使用されます。 我々は2つの実験を通してアプローチを実験的に評価した。 まず、MNISTデータセットから1000個の完全画像のサブセット上でGPツリーをトレーニングする。 その結果,GPは2つの領域間で有意な差が見られず,単純なベースライン予測器に対して画素の分布を学習できることがわかった。 第2の実験では,2つの劣化画像に対してgp畳み込み予測器を訓練し,約20%の画素を除去した。 この場合、ムーア地区はより良く機能するが、フォン・ノイマン地区はより大きな訓練セットを許容する。

関連論文リスト

• Image as First-Order Norm+Linear Autoregression: Unveiling Mathematical Invariance [104.05734286732941]
  FINOLAは、潜在空間内の各画像を1次自己回帰プロセスとして表現する。 FINOLAの256x256機能マップへの自動回帰機能を示す。 また、簡単なマスク付き予測手法を用いて、FINOLAを自己教師型学習に活用する。
  論文  参考訳（メタデータ） (2023-05-25T17:59:50Z)
• Bring Your Own View: Graph Neural Networks for Link Prediction with Personalized Subgraph Selection [57.34881616131377]
  異なるエッジに対して最適なサブグラフを自動,個人的,帰納的に識別するプラグイン・アンド・プレイ・フレームワークとしてパーソナライズされたサブグラフセレクタ(PS2)を導入する。 PS2は二段階最適化問題としてインスタンス化され、効率よく解ける。 GNNLPトレーニングに対する新たなアプローチとして,まずエッジの最適な部分グラフを識別し,次にサンプル部分グラフを用いて推論モデルをトレーニングすることを提案する。
  論文  参考訳（メタデータ） (2022-12-23T17:30:19Z)
• PatchRefineNet: Improving Binary Segmentation by Incorporating Signals from Optimal Patch-wise Binarization [8.47180521286796]
  我々はパッチ固有のバイアスを修正するために学習する小さなネットワークであるPatchNetを提案する。 PRNは一貫してmIoUを2-3%改善する。 PRNが唾液度検出や数発のセグメンテーションにどのように拡張できるかを示す。
  論文  参考訳（メタデータ） (2022-11-12T03:49:22Z)
• Fast Gaussian Process Posterior Mean Prediction via Local Cross Validation and Precomputation [0.0]
  我々はFastMuyGPと呼ばれる高速後部平均予測アルゴリズムを提案する。 MuyGPs のハイパーパラメータ推定アルゴリズムに基づいており、残余のクロスバリデーション、近隣のスパーシフィケーション、プリ計算の組み合わせを利用している。 ディープニューラルネットワークと最先端のGPアルゴリズムの両方に対して、精度と競合性、あるいは優れたランタイムを実現する。
  論文  参考訳（メタデータ） (2022-05-22T17:38:36Z)
• Gaussian Processes for Missing Value Imputation [0.0]
  各次元における欠落値を他の次元のすべての変数を用いて予測するために用いられるスパースGPの階層的構成を示す。 GPを欠くアプローチ(MGP)は同時に訓練され、観測された全ての値が失われることを意味する。 MGPを1つのプライベート臨床データセットと4つのUCIデータセットで評価した。
  論文  参考訳（メタデータ） (2022-04-10T10:46:26Z)
• COIN: COmpression with Implicit Neural representations [64.02694714768691]
  画像圧縮のための新しい簡易手法を提案する。 画像の各ピクセルのRGB値を格納する代わりに、画像に過度に適合したニューラルネットワークの重みを格納する。
  論文  参考訳（メタデータ） (2021-03-03T10:58:39Z)
• Scalable Graph Neural Networks via Bidirectional Propagation [89.70835710988395]
  グラフニューラルネットワーク(GNN)は、非ユークリッドデータを学習するための新興分野である。 本稿では、特徴ベクトルとトレーニング/テストノードの両方から局所的な双方向伝搬プロセスを利用するスケーラブルなGNNであるGBPを提案する。 実証実験により、GBPは、トレーニング/テスト時間を大幅に減らして最先端のパフォーマンスを達成することが示された。
  論文  参考訳（メタデータ） (2020-10-29T08:55:33Z)
• TreeRNN: Topology-Preserving Deep GraphEmbedding and Learning [24.04035265351755]
  本研究では,グラフを木に転送する手法について検討し,特徴統合を局所的からグローバル的へと導くための明確な順序を学習する。 グラフツリー画像からパターンを最もよく学習するために,2次元RNNアーキテクチャであるTreeRNNを提案する。
  論文  参考訳（メタデータ） (2020-06-21T15:22:24Z)
• FU-net: Multi-class Image Segmentation Using Feedback Weighted U-net [5.193724835939252]
  マルチクラス画像分割のための汎用ディープ畳み込みニューラルネットワーク(DCNN)を提案する。 U-netとして知られる、よく確立された教師付きエンドツーエンドDCNNモデルに基づいている。
  論文  参考訳（メタデータ） (2020-04-28T13:08:14Z)
• Pixel-in-Pixel Net: Towards Efficient Facial Landmark Detection in the Wild [104.61677518999976]
  顔のランドマークを検出するために,Pixel-in-Pixel Net(PIPNet)を提案する。 提案モデルは,熱マップ回帰に基づく新しい検出ヘッドを備える。 PIPNetのクロスドメイン一般化能力をさらに向上するため,カリキュラムによる自己学習を提案する。
  論文  参考訳（メタデータ） (2020-03-08T12:23:42Z)
• Neural Enhanced Belief Propagation on Factor Graphs [85.61562052281688]
  グラフィカルモデルは局所依存確率変数の構造的表現である。 最初にグラフニューラルネットワークを拡張してグラフを分解する(FG-GNN)。 そこで我々は,FG-GNNを連立して動作させるハイブリッドモデルを提案する。
  論文  参考訳（メタデータ） (2020-03-04T11:03:07Z)

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。