論文の概要: Information Mandala: Statistical Distance Matrix with Clustering
- arxiv url: http://arxiv.org/abs/2006.04017v2
- Date: Mon, 22 Jun 2020 04:36:41 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-24 07:29:27.374657
- Title: Information Mandala: Statistical Distance Matrix with Clustering
- Title(参考訳): 情報マンダラ:クラスタリングを用いた統計距離行列
- Authors: Xin Lu
- Abstract要約: 機械学習では、距離関数を最適化するために距離空間で観測特徴を測定する。
本稿では,従来の統計距離を,統計距離行列と呼ばれる行列形式に拡張する。
統計距離行列の階層的クラスタリングを用いることで、画像画素をマンダラパターンのような中心に幾何学的に配置された複数のクラスタに分割することができる。
- 参考スコア(独自算出の注目度): 4.175807931922537
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: In machine learning, observation features are measured in a metric space to
obtain their distance function for optimization. Given similar features that
are statistically sufficient as a population, a statistical distance between
two probability distributions can be calculated for more precise learning.
Provided the observed features are multi-valued, the statistical distance
function is still efficient. However, due to its scalar output, it cannot be
applied to represent detailed distances between feature elements. To resolve
this problem, this paper extends the traditional statistical distance to a
matrix form, called a statistical distance matrix. In experiments, the proposed
approach performs well in object recognition tasks and clearly and intuitively
represents the dissimilarities between cat and dog images in the CIFAR dataset,
even when directly calculated using the image pixels. By using the hierarchical
clustering of the statistical distance matrix, the image pixels can be
separated into several clusters that are geometrically arranged around a center
like a Mandala pattern. The statistical distance matrix with clustering, called
the Information Mandala, is beyond ordinary saliency maps and can help to
understand the basic principles of the convolution neural network.
- Abstract(参考訳): 機械学習では、観察特徴を計量空間で測定し、最適化のために距離関数を得る。
人口として統計的に十分である同様の特徴から、2つの確率分布間の統計的距離はより正確な学習のために計算できる。
観測された特徴が多値であれば、統計距離関数は依然として効率的である。
しかし、スカラー出力のため、特徴要素間の詳細な距離を表現するには適用できない。
この問題を解決するため,本論文では従来の統計距離を,統計距離行列と呼ばれる行列形式に拡張する。
実験では,画像画素を用いて直接計算した場合であっても,提案手法はオブジェクト認識タスクにおいて良好に動作し,CIFARデータセットにおける猫と犬の画像の相違を明確かつ直感的に表現する。
統計的距離行列の階層的クラスタリングを用いて、画像画素をマンダラパターンのような中心に幾何学的に配置された複数のクラスタに分割することができる。
クラスタリングを伴う統計距離行列は、インフォメーション・マンダラ(Information Mandala)と呼ばれ、通常のサリエンシ・マップを超え、畳み込みニューラルネットワークの基本原理を理解するのに役立つ。
関連論文リスト
- Learning Spatial Similarity Distribution for Few-shot Object Counting [17.28147599627954]
Few-shot Object counting は、クエリイメージ内のオブジェクトの数を、与えられた模範画像と同じクラスに属するものとしてカウントすることを目的としている。
既存の手法では、2次元空間領域におけるクエリ画像と例間の類似性を計算し、回帰してカウント数を求める。
本稿では,空間的特徴の空間的構造を保存した少数のオブジェクトカウントのためのネットワーク学習型空間的類似度分布(SSD)を提案する。
論文 参考訳(メタデータ) (2024-05-20T04:15:59Z) - A Practical Guide to Statistical Distances for Evaluating Generative Models in Science [7.2447605934304375]
我々は、異なる方法論を表す統計距離の4つの一般的な概念に焦点を当てる。
それぞれの距離の背後にある直感を強調し、そのメリット、スケーラビリティ、複雑さ、落とし穴を説明します。
我々は、異なる科学的領域、すなわち意思決定のモデルと医療画像の生成モデルから生成モデルを評価する。
論文 参考訳(メタデータ) (2024-03-19T11:16:14Z) - Semi-supervised segmentation of land cover images using nonlinear
canonical correlation analysis with multiple features and t-SNE [1.7000283696243563]
イメージセグメンテーションはクラスタリングタスクであり、各ピクセルにクラスタラベルが割り当てられる。
本研究では,少数のピクセルのみをラベル付けすることで,半教師付きセグメンテーション手法を提案する。
提案した半教師付きRBF-CCAアルゴリズムは、リモートセンシングされた複数のマルチスペクトル画像に実装されている。
論文 参考訳(メタデータ) (2024-01-22T17:56:07Z) - Probabilistic Deep Metric Learning for Hyperspectral Image
Classification [91.5747859691553]
本稿では,ハイパースペクトル画像分類のための確率論的深度学習フレームワークを提案する。
ハイパースペクトルセンサーが捉えた画像に対して、各ピクセルのカテゴリを予測することを目的としている。
我々のフレームワークは、既存のハイパースペクトル画像分類法に容易に適用できる。
論文 参考訳(メタデータ) (2022-11-15T17:57:12Z) - Understanding High Dimensional Spaces through Visual Means Employing
Multidimensional Projections [0.0]
データ視覚化分野における関連する2つのアルゴリズムは、t分散近傍埋め込み(t-SNE)とLSP(Last-Square Projection)である。
これらのアルゴリズムは、データセットへの影響を含む、いくつかの数学的機能を理解するために使用することができる。
本稿では,多次元投影アルゴリズムの視覚的結果を用いて,それらの数学的枠組みのパラメータを理解・微調整する方法について述べる。
論文 参考訳(メタデータ) (2022-07-12T20:30:33Z) - Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。
テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文 参考訳(メタデータ) (2022-06-17T04:07:45Z) - Dictionary learning for clustering on hyperspectral images [0.5584060970507506]
本稿では,代表辞書から計算したスパース係数を特徴として,ハイパースペクトル画像の画素をクラスタリングする方法を提案する。
提案手法は,元のピクセルのクラスタリングよりも効果的に動作することを示す。
論文 参考訳(メタデータ) (2022-02-02T12:22:33Z) - On the relation between statistical learning and perceptual distances [61.25815733012866]
近辺画像の知覚感度は近辺画像の確率と相関することを示す。
また、オートエンコーダによって誘導される距離と、それらの訓練に使用されるデータの確率分布との関係についても検討する。
論文 参考訳(メタデータ) (2021-06-08T14:56:56Z) - ITSELF: Iterative Saliency Estimation fLexible Framework [68.8204255655161]
機密度オブジェクト検出は、画像で最も顕著なオブジェクトを推定する。
我々は,ユーザ定義の仮定をモデルに追加できる,スーパーピクセルベースのITELF(ITSELF)を提案する。
ITSELFを5つのメトリクスと6つのデータセットで2つの最先端の精度推定器と比較する。
論文 参考訳(メタデータ) (2020-06-30T16:51:31Z) - Learned Factor Graphs for Inference from Stationary Time Sequences [107.63351413549992]
定常時間列のためのモデルベースアルゴリズムとデータ駆動型MLツールを組み合わせたフレームワークを提案する。
ニューラルネットワークは、時系列の分布を記述する因子グラフの特定のコンポーネントを別々に学習するために開発された。
本稿では,学習された定常因子グラフに基づく推論アルゴリズムを提案する。
論文 参考訳(メタデータ) (2020-06-05T07:06:19Z) - Spatial Pyramid Based Graph Reasoning for Semantic Segmentation [67.47159595239798]
セマンティックセグメンテーションタスクにグラフ畳み込みを適用し、改良されたラプラシアンを提案する。
グラフ推論は、空間ピラミッドとして構成された元の特徴空間で直接実行される。
計算とメモリのオーバーヘッドの利点で同等のパフォーマンスを実現しています。
論文 参考訳(メタデータ) (2020-03-23T12:28:07Z)
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。