論文の概要: Sequential Feature Filtering Classifier

• arxiv url: http://arxiv.org/abs/2006.11808v1
• Date: Sun, 21 Jun 2020 14:31:45 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-18 12:24:30.011325
• Title: Sequential Feature Filtering Classifier
• Title（参考訳）: 逐次特徴フィルタリング分類器
• Authors: Minseok Seo, Jaemin Lee, Jongchan Park, Dong-Geol Choi
• Abstract要約: 畳み込みニューラルネットワーク(CNN)のための逐次特徴フィルタリング(FFC)を提案する。 LayerNormとReLUでは、FFCは低活性化ユニットをゼロにし、高活性化ユニットを保存する。 FFCは分類器を持つ任意のCNNに適用でき、無視できるオーバーヘッドで性能を大幅に改善する。 我々は、FFCがアテンションモジュールや拡張技術を含む他の技術の性能をさらに向上させることができることを実証的に示す。
• 参考スコア（独自算出の注目度）: 8.10360511033952
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We propose Sequential Feature Filtering Classifier (FFC), a simple but effective classifier for convolutional neural networks (CNNs). With sequential LayerNorm and ReLU, FFC zeroes out low-activation units and preserves high-activation units. The sequential feature filtering process generates multiple features, which are fed into a shared classifier for multiple outputs. FFC can be applied to any CNNs with a classifier, and significantly improves performances with negligible overhead. We extensively validate the efficacy of FFC on various tasks: ImageNet-1K classification, MS COCO detection, Cityscapes segmentation, and HMDB51 action recognition. Moreover, we empirically show that FFC can further improve performances upon other techniques, including attention modules and augmentation techniques. The code and models will be publicly available.
• Abstract（参考訳）: 本稿では,畳み込みニューラルネットワーク(CNN)の簡易かつ効果的な分類法である逐次特徴フィルタリング分類器(FFC)を提案する。 シーケンシャルなLayerNormとReLUでは、FFCは低活性化単位をゼロにし、高活性化単位を保存する。 逐次的特徴フィルタリングプロセスは複数の特徴を生成し、複数の出力に対して共有分類器に入力する。 FFCは分類器を持つ任意のCNNに適用でき、無視できるオーバーヘッドで性能を大幅に改善する。 ImageNet-1K分類,MS COCO検出,Cityscapesセグメンテーション,HMDB51動作認識など,様々なタスクにおけるFFCの有効性を広く検証した。 さらに,ffcは注意モジュールや拡張技術など他の手法の性能をさらに向上できることを実証的に示す。 コードとモデルは一般公開される予定だ。

関連論文リスト

• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• CondNet: Conditional Classifier for Scene Segmentation [46.62529212678346]
  従来のグローバル分類器を置き換える条件付き分類器を提案する。 クラス内での区別に参画し、より高密度な認識能力に繋がる。 条件付き分類器(CondNetと呼ばれる)を備えたフレームワークは、2つのデータセットで新しい最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-09-21T17:19:09Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• A Multiple Classifier Approach for Concatenate-Designed Neural Networks [13.017053017670467]
  私たちは、ネットワークセット間で生成された特徴を収集する分類器の設計を与えます。 我々はL2正規化法を用いて、Softmax Denseの代わりに分類スコアを得る。 その結果、提案された分類器は実験ケースの精度を向上させることができる。
  論文  参考訳（メタデータ） (2021-01-14T04:32:40Z)
• Unsupervised Feedforward Feature (UFF) Learning for Point Cloud Classification and Segmentation [57.62713515497585]
  3次元点雲の連成分類とセグメンテーションのために,教師なしフィードフォワード特徴学習を提案する。 UFF法は、点雲セット内の点の統計的相関を利用して、1パスのフィードフォワード方式で形状と点の特徴を学習する。 エンコーダとローカルポイントでグローバルな形状の特徴を、エンコーダ-デコーダアーキテクチャを通して学習する。
  論文  参考訳（メタデータ） (2020-09-02T18:25:25Z)
• iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
  Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。 IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。 IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
  論文  参考訳（メタデータ） (2020-06-23T02:57:29Z)
• Evolving Normalization-Activation Layers [100.82879448303805]
  我々は、うまく機能しない候補層を迅速にフィルタリングする効率的な拒絶プロトコルを開発した。 EvoNormsは、新しい正規化活性化層であり、新しい構造を持ち、時には驚くべき構造を持つ。 我々の実験は、EvoNormsがResNets、MobileNets、EfficientNetsなどの画像分類モデルでうまく機能していることを示している。
  論文  参考訳（メタデータ） (2020-04-06T19:52:48Z)
• Learning Class Regularized Features for Action Recognition [68.90994813947405]
  本稿では,階層活性化のクラスベース正規化を行うクラス正規化手法を提案する。 動作認識に最先端CNNアーキテクチャのクラス正規化ブロックを用いることで,Kineetics,UCF-101,HMDB-51データセットにおいて,それぞれ1.8%,1.2%,1.4%の体系的改善が得られた。
  論文  参考訳（メタデータ） (2020-02-07T07:27:49Z)

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。