論文の概要: Traditional Method Inspired Deep Neural Network for Edge Detection

• arxiv url: http://arxiv.org/abs/2005.13862v1
• Date: Thu, 28 May 2020 09:20:37 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-27 05:19:36.936438
• Title: Traditional Method Inspired Deep Neural Network for Edge Detection
• Title（参考訳）: エッジ検出のための従来手法に基づく深層ニューラルネットワーク
• Authors: Jan Kristanto Wibisono and Hsueh-Ming Hang
• Abstract要約: 最小限の複雑さで優れたエッジを生成するために,従来の手法にインスパイアされたフレームワークを提案する。 我々のTIN2(Traditional Inspired Network)モデルは、最近のBDCN2(Bi-Directional Cascade Network)よりも精度が高いが、より小さいモデルである。
• 参考スコア（独自算出の注目度）: 7.125116757822889
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recently, Deep-Neural-Network (DNN) based edge prediction is progressing fast. Although the DNN based schemes outperform the traditional edge detectors, they have much higher computational complexity. It could be that the DNN based edge detectors often adopt the neural net structures designed for high-level computer vision tasks, such as image segmentation and object recognition. Edge detection is a rather local and simple job, the over-complicated architecture and massive parameters may be unnecessary. Therefore, we propose a traditional method inspired framework to produce good edges with minimal complexity. We simplify the network architecture to include Feature Extractor, Enrichment, and Summarizer, which roughly correspond to gradient, low pass filter, and pixel connection in the traditional edge detection schemes. The proposed structure can effectively reduce the complexity and retain the edge prediction quality. Our TIN2 (Traditional Inspired Network) model has an accuracy higher than the recent BDCN2 (Bi-Directional Cascade Network) but with a smaller model.
• Abstract（参考訳）: 近年,Deep-Neural-Network (DNN)に基づくエッジ予測が急速に進んでいる。 DNNベースのスキームは従来のエッジ検出器よりも優れているが、計算の複雑さははるかに高い。 DNNベースのエッジ検出器は、イメージセグメンテーションやオブジェクト認識など、高レベルのコンピュータビジョンタスク用に設計されたニューラルネットワーク構造を採用することが多い。 エッジ検出は比較的局所的で単純な仕事であり、過剰に複雑なアーキテクチャと大量のパラメータは不要かもしれない。 そこで本研究では,最小限の複雑性で優れたエッジを生成する伝統的な手法を提案する。 従来のエッジ検出方式では,グラデーション,ローパスフィルタ,ピクセル接続に大まかに対応する特徴抽出器,エンリッチメント,要約器を含むネットワークアーキテクチャを単純化する。 提案した構造は、複雑さを効果的に低減し、エッジ予測品質を維持することができる。 我々のTIN2(Traditional Inspired Network)モデルは、最近のBDCN2(Bi-Directional Cascade Network)よりも精度が高いが、より小さいモデルである。

関連論文リスト

• Edge Detectors Can Make Deep Convolutional Neural Networks More Robust [25.871767605100636]
  本稿では、まずエッジ検出器をレイヤカーネルとして使用し、バイナリエッジ特徴分枝(BEFB)を設計し、バイナリエッジ特徴を学習する。 BEFB統合モデルの精度は、FGSM、PGD、C&W攻撃に直面する場合、すべてのデータセットのオリジナルのモデルよりも優れている。 本研究は,DCNNの形状的特徴とテクスチャ的特徴を組み合わせることで,DCNNの堅牢性を高めることができることを示す。
  論文  参考訳（メタデータ） (2024-02-26T10:54:26Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network [0.0]
  エッジノードは、Internet-of-Thingsエンドポイント上の複数のサイバー攻撃を検出するために不可欠である。 DLM技術を用いてエッジノードに対するDoS攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発した。
  論文  参考訳（メタデータ） (2021-02-03T04:24:34Z)
• Binary Graph Neural Networks [69.51765073772226]
  グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。 本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。 モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
  論文  参考訳（メタデータ） (2020-12-31T18:48:58Z)
• FINED: Fast Inference Network for Edge Detection [6.809653573125388]
  本稿では,軽量な深層学習に基づくエッジ検出の設計について述べる。 ディープラーニング技術により、エッジ検出精度が大幅に向上します。 本稿では,エッジ検出専用の軽量ニューラルネットワークであるfined(fast inference network for edge detection)を提案する。
  論文  参考訳（メタデータ） (2020-12-15T16:08:46Z)
• LocKedge: Low-Complexity Cyberattack Detection in IoT Edge Computing [0.1759008116536278]
  本稿では,迅速な応答,汎用性,クラウドのワークロード削減といった攻撃の源泉に近いエッジ層において,検出タスクを果たすエッジクラウドアーキテクチャを提案する。 また,IoTエッジコンピューティングにおけるLocKedge Low Complexity Cyber attack Detectionと呼ばれるマルチアタック検出機構を提案する。
  論文  参考訳（メタデータ） (2020-11-28T18:49:43Z)
• EagerNet: Early Predictions of Neural Networks for Computationally Efficient Intrusion Detection [2.223733768286313]
  最小限のリソースでネットワーク攻撃を検出するアーキテクチャを提案する。 アーキテクチャはバイナリまたはマルチクラスの分類問題に対処でき、ネットワークの精度を予測速度と交換できる。
  論文  参考訳（メタデータ） (2020-07-27T11:31:37Z)
• Binarized Graph Neural Network [65.20589262811677]
  我々は二項化グラフニューラルネットワークを開発し、二項化ネットワークパラメータを用いてノードのバイナリ表現を学習する。 提案手法は既存のGNNベースの埋め込み手法にシームレスに統合できる。 実験により、提案された二項化グラフニューラルネットワーク、すなわちBGNは、時間と空間の両方の観点から、桁違いに効率的であることが示されている。
  論文  参考訳（メタデータ） (2020-04-19T09:43:14Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)
• EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
  本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。 これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
  論文  参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。