Fugu-MT 論文翻訳(概要): Web page classification with Google Image Search results

論文の概要: Web page classification with Google Image Search results

arxiv url: http://arxiv.org/abs/2006.00226v2
Date: Sun, 27 Dec 2020 06:23:37 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 17:41:35.563588
Title: Web page classification with Google Image Search results
Title（参考訳）: Google画像検索によるWebページ分類
Authors: Fahri Aydos, A. Murat \"Ozbayo\u{g}lu, Yahya \c{S}irin, M. Fatih Demirci
Abstract要約: 入力のクラスを決定するために,複数のニューラルネットワーク結果を組み合わせた新しい手法を提案する。この手法をウェブページ分類に用いた最初の研究である。
参考スコア（独自算出の注目度）: 0.28675177318965034
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In this paper, we introduce a novel method that combines multiple neural network results to decide the class of the input. This is the first study which used the method for web pages classification. In our model, each element is represented by multiple descriptive images. After the training process of the neural network model, each element is classified by calculating its descriptive image results. We apply our idea to the web page classification problem using Google Image Search results as descriptive images. We obtained a classification rate of 94.90% on the WebScreenshots dataset that contains 20000 web sites in 4 classes. The method is easily applicable to similar problems.
Abstract（参考訳）: 本稿では,入力のクラスを決定するために,複数のニューラルネットワーク結果を組み合わせた新しい手法を提案する。この手法をウェブページ分類に用いた最初の研究である。我々のモデルでは、各要素は複数の記述的イメージで表現される。ニューラルネットワークモデルのトレーニング処理の後、各要素はその記述的画像結果を計算することにより分類される。本稿では,Google画像検索の結果を記述画像として用いたWebページ分類問題に適用する。 4つのクラスに20000のWebサイトを含むWebScreenshotsデータセットで94.90%の分類率を得た。この方法は類似の問題に容易に適用できる。

関連論文リスト

Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
論文参考訳（メタデータ） (2023-07-03T10:41:34Z)
Exploiting Category Names for Few-Shot Classification with Vision-Language Models [78.51975804319149]
大規模データに事前訓練された視覚言語基礎モデルは、多くの視覚的理解タスクに強力なツールを提供する。本稿では,カテゴリ名を用いて分類ヘッドを初期化することにより,少数ショット分類の性能を著しく向上させることができることを示す。
論文参考訳（メタデータ） (2022-11-29T21:08:46Z)
Deep Learning Based Automated COVID-19 Classification from Computed Tomography Images [0.0]
本稿では,画像分類のための畳み込みニューラルネットワーク(CNN)モデルを提案する。本研究では,2次元CNNモデルを用いて2次元CTスキャン画像のスライスを簡易に分類する手法を提案する。アーキテクチャの単純さにもかかわらず、提案モデルでは、同じ画像のデータセット上で、最先端技術を上回る定量的結果が得られた。
論文参考訳（メタデータ） (2021-11-22T13:35:10Z)
Rectifying the Shortcut Learning of Background: Shared Object Concentration for Few-Shot Image Recognition [101.59989523028264]
Few-Shot画像分類は、大規模なデータセットから学んだ事前学習された知識を利用して、一連の下流分類タスクに取り組むことを目的としている。本研究では,Few-Shot LearningフレームワークであるCOSOCを提案する。
論文参考訳（メタデータ） (2021-07-16T07:46:41Z)
White Box Methods for Explanations of Convolutional Neural Networks in Image Classification Tasks [3.3959642559854357]
畳み込みニューラルネットワーク(CNN)は,画像分類作業における技術性能の状態を実証している。ネットワークによる予測の背後にある推論を理解するために、いくつかのアプローチが提案されている。我々は、ネットワークの内部アーキテクチャの情報を利用してその決定を説明するホワイトボックスメソッドに重点を置いている。
論文参考訳（メタデータ） (2021-04-06T14:40:00Z)
Gigapixel Histopathological Image Analysis using Attention-based Neural Networks [7.1715252990097325]
圧縮経路と学習経路からなるCNN構造を提案する。本手法は,グローバル情報とローカル情報の両方を統合し,入力画像のサイズに関して柔軟であり,弱い画像レベルラベルのみを必要とする。
論文参考訳（メタデータ） (2021-01-25T10:18:52Z)
Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文参考訳（メタデータ） (2020-12-15T22:58:23Z)
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)
PK-GCN: Prior Knowledge Assisted Image Classification using Graph Convolution Networks [3.4129083593356433]
クラス間の類似性は、分類のパフォーマンスに影響を与える可能性がある。本稿では,クラス類似性の知識を畳み込みニューラルネットワークモデルに組み込む手法を提案する。実験結果から, 利用可能なデータの量が少ない場合には, 分類精度が向上することが示唆された。
論文参考訳（メタデータ） (2020-09-24T18:31:35Z)
Learning CNN filters from user-drawn image markers for coconut-tree image classification [78.42152902652215]
本稿では,CNNの特徴抽出器を訓練するために,最小限のユーザ選択画像を必要とする手法を提案する。本手法は,クラスを識別する画像領域のユーザ描画マーカーから,各畳み込み層のフィルタを学習する。バックプロパゲーションに基づく最適化には依存せず、ココナッツツリー空中画像のバイナリ分類にその利点を実証する。
論文参考訳（メタデータ） (2020-08-08T15:50:23Z)
One-Shot Image Classification by Learning to Restore Prototypes [11.448423413463916]
ワンショット画像分類は、カテゴリ毎に1つの画像しか持たないデータセット上で、イメージ分類器を訓練することを目的としている。ワンショット学習では、既存のメトリック学習アプローチは、単一のトレーニングイメージがクラスを代表するものではない可能性があるため、パフォーマンスが低下する。本稿では,RestoreNet で表される単純な回帰モデルを提案する。画像特徴のクラス変換を学習し,特徴空間のクラス中心に画像を移動させる。
論文参考訳（メタデータ） (2020-05-04T02:11:30Z)

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。