論文の概要: Applications of the Streaming Networks
- arxiv url: http://arxiv.org/abs/2004.11805v1
- Date: Fri, 27 Mar 2020 08:13:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-19 05:29:41.669196
- Title: Applications of the Streaming Networks
- Title（参考訳）: ストリーミングネットワークの応用
- Authors: Sergey Tarasenko and Fumihiko Takahashi
- Abstract要約: ストリームネットワーク (STnets) は, 頑健なノイズ破損画像分類のメカニズムとして導入されている。
本稿では,STnetがノイズで劣化した画像の高精度な分類が可能であることを実証する。
また、Hybrid STnetと呼ばれる新しいタイプのSTnetも導入する。
- 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: Most recently Streaming Networks (STnets) have been introduced as a mechanism
of robust noise-corrupted images classification. STnets is a family of
convolutional neural networks, which consists of multiple neural networks
(streams), which have different inputs and their outputs are concatenated and
fed into a single joint classifier. The original paper has illustrated how
STnets can successfully classify images from Cifar10, EuroSat and UCmerced
datasets, when images were corrupted with various levels of random zero noise.
In this paper, we demonstrate that STnets are capable of high accuracy
classification of images corrupted with Gaussian noise, fog, snow, etc.
(Cifar10 corrupted dataset) and low light images (subset of Carvana dataset).
We also introduce a new type of STnets called Hybrid STnets. Thus, we
illustrate that STnets is a universal tool of image classification when
original training dataset is corrupted with noise or other transformations,
which lead to information loss from original images.
- Abstract（参考訳）: 最近のストリームネットワーク (STnets) は、頑健なノイズ破壊画像分類のメカニズムとして導入されている。
STnetsは畳み込みニューラルネットワークのファミリーであり、複数のニューラルネットワーク(ストリーム)で構成され、異なる入力を持ち、その出力は結合され単一の関節分類器に供給される。
元の論文では、STnetがCifar10、EuroSat、UCmercedのデータセットから画像を分類することに成功した。
本稿では, ガウスノイズ, 霧, 雪などによる劣化画像(Cifar10劣化データセット)と低光画像(Carvanaデータセットのサブセット)の高精度な分類が可能であることを実証する。
また、Hybrid STnetと呼ばれる新しいタイプのSTnetも導入する。
そこで本研究では,stnetsが画像分類の普遍的なツールであることを示す。
関連論文リスト
- RATLIP: Generative Adversarial CLIP Text-to-Image Synthesis Based on Recurrent Affine Transformations [0.0]
条件付きアフィン変換(CAT)は、画像中のコンテンツ合成を制御するために、GANの異なる層に適用されている。
まず、各レイヤがグローバル情報にアクセスできるようにするために、CATとRAT(Recurrent Neural Network)をモデル化する。
次に、リカレントニューラルネットワークにおける情報忘れの特性を軽減するために、RAT間のシャッフルアテンションを導入する。
論文 参考訳（メタデータ） (2024-05-13T18:49:18Z) - 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) - Parents and Children: Distinguishing Multimodal DeepFakes from Natural Images [60.34381768479834]
近年の拡散モデルの発展により、自然言語のテキストプロンプトから現実的なディープフェイクの生成が可能になった。
我々は、最先端拡散モデルにより生成されたディープフェイク検出に関する体系的研究を開拓した。
論文 参考訳（メタデータ） (2023-04-02T10:25:09Z) - Traditional Classification Neural Networks are Good Generators: They are
Competitive with DDPMs and GANs [104.72108627191041]
従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。
マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。
また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
論文 参考訳（メタデータ） (2022-11-27T11:25:35Z) - A Perturbation Resistant Transformation and Classification System for
Deep Neural Networks [0.685316573653194]
深層畳み込みニューラルネットワークは、さまざまな自然画像の正確な分類を行うが、設計時には容易に認識できる。
本稿では,攻撃的かつ容易に推定できないマルチプロハングトレーニング,非バウンド入力変換,画像アンサンブルシステムを設計する。
論文 参考訳（メタデータ） (2022-08-25T02:58:47Z) - SpectralFormer: Rethinking Hyperspectral Image Classification with
Transformers [91.09957836250209]
ハイパースペクトル(HS)画像は、ほぼ連続したスペクトル情報によって特徴づけられる。
CNNは、HS画像分類において強力な特徴抽出器であることが証明されている。
我々は、HS画像分類のためのulSpectralFormerと呼ばれる新しいバックボーンネットワークを提案する。
論文 参考訳（メタデータ） (2021-07-07T02:59:21Z) - Learning degraded image classification with restoration data fidelity [0.0]
広く使用されている4つの分類ネットワークにおける分解型およびレベルの影響について検討する。
本稿では,事前学習したネットワークで得られた画像特徴を忠実度マップを用いて校正する手法を提案する。
その結果,提案手法は画像劣化による影響を緩和する有望な解であることがわかった。
論文 参考訳（メタデータ） (2021-01-23T23:47:03Z) - Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。
大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。
本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
論文 参考訳（メタデータ） (2020-09-30T15:45:36Z) - Sparsifying and Down-scaling Networks to Increase Robustness to
Distortions [0.0]
Streaming Network (STNet) は歪んだ画像の堅牢な分類が可能な新しいアーキテクチャである。
近年の結果、STNetは20種類のノイズや歪みに対して堅牢であることが証明されている。
新しいSTNetは、元のネットワークと比較して高いか等しい精度を示す。
論文 参考訳（メタデータ） (2020-06-08T03:58:27Z) - Networks with pixels embedding: a method to improve noise resistance in
images classification [6.399560915757414]
画素埋め込み技術を導入することにより,画像分類におけるノイズ耐性ネットワークを提供する。
我々は,手書き桁のmnistデータベース上で,PEを用いたネットワークと略される画素埋め込みを用いてネットワークをテストする。
論文 参考訳（メタデータ） (2020-05-24T07:55:08Z) - AdarGCN: Adaptive Aggregation GCN for Few-Shot Learning [112.95742995816367]
FSFSLと呼ばれる新しい数発のスナップショット・ラーニング・セッティングを提案する。
FSFSLでは、ソースクラスとターゲットクラスの両方に限られたトレーニングサンプルがある。
また,無関係な画像を削除するためのグラフ畳み込みネットワーク (GCN) ベースのラベルデノイング (LDN) 手法を提案する。
論文 参考訳（メタデータ） (2020-02-28T10:34:36Z)
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。