Fugu-MT 論文翻訳(概要): Visualizing Transfer Learning

論文の概要: Visualizing Transfer Learning

arxiv url: http://arxiv.org/abs/2007.07628v1
Date: Wed, 15 Jul 2020 11:34:46 GMT
ステータス: 処理完了
システム内更新日: 2022-11-10 05:09:14.376455
Title: Visualizing Transfer Learning
Title（参考訳）: 伝達学習の可視化
Authors: R\'obert Szab\'o, D\'aniel Katona, M\'arton Csillag, Adri\'an Csisz\'arik, D\'aniel Varga
Abstract要約: 転送学習の時間的過程において,深層画像認識ネットワークの個々のニューロンを可視化する。これらの可視化は、転写学習プロセスの様々な新しい性質を定性的に示す。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We provide visualizations of individual neurons of a deep image recognition network during the temporal process of transfer learning. These visualizations qualitatively demonstrate various novel properties of the transfer learning process regarding the speed and characteristics of adaptation, neuron reuse, spatial scale of the represented image features, and behavior of transfer learning to small data. We publish the large-scale dataset that we have created for the purposes of this analysis.
Abstract（参考訳）: 転送学習の時間的過程において,深層画像認識ネットワークの個々のニューロンを可視化する。これらの可視化は、適応の速度と特性、ニューロンの再利用、表現された画像の特徴の空間的スケール、小さなデータへの転送学習の振る舞いに関する、転送学習プロセスの様々な新しい特性を定性的に示している。この分析のために作成した大規模なデータセットを公開しています。

関連論文リスト

Learning Multimodal Volumetric Features for Large-Scale Neuron Tracing [72.45257414889478]
オーバーセグメントニューロン間の接続を予測し,人間の作業量を削減することを目的としている。最初はFlyTracingという名前のデータセットを構築しました。本稿では,高密度なボリュームEM画像の埋め込みを生成するための,新しい接続性を考慮したコントラスト学習手法を提案する。
論文参考訳（メタデータ） (2024-01-05T19:45:12Z)
A domain adaptive deep learning solution for scanpath prediction of paintings [66.46953851227454]
本稿では,ある絵画の視覚的体験における視聴者の眼球運動分析に焦点を当てた。我々は、人間の視覚的注意を予測するための新しいアプローチを導入し、人間の認知機能に影響を及ぼす。提案した新しいアーキテクチャは、画像を取り込んでスキャンパスを返す。
論文参考訳（メタデータ） (2022-09-22T22:27:08Z)
Data-driven emergence of convolutional structure in neural networks [83.4920717252233]
識別タスクを解くニューラルネットワークが、入力から直接畳み込み構造を学習できることを示す。データモデルを慎重に設計することにより、このパターンの出現は、入力の非ガウス的、高次局所構造によって引き起こされることを示す。
論文参考訳（メタデータ） (2022-02-01T17:11:13Z)
Neuronal Learning Analysis using Cycle-Consistent Adversarial Networks [4.874780144224057]
我々は、-CycleGANと呼ばれる深層生成モデルを用いて、前学習と後学習の神経活動の間の未知のマッピングを学習する。我々は,カルシウム蛍光信号を前処理し,訓練し,評価するためのエンドツーエンドパイプラインを開発し,その結果の深層学習モデルを解釈する手法を開発した。
論文参考訳（メタデータ） (2021-11-25T13:24:19Z)
Factors of Influence for Transfer Learning across Diverse Appearance Domains and Task Types [50.1843146606122]
現在の最新のコンピュータビジョンモデルでは、簡単な転送学習が一般的です。転校学習に関するこれまでの体系的な研究は限られており、作業が期待される状況は十分に理解されていない。本論文では,非常に異なる画像領域にまたがる転送学習の広範な実験的研究を行う。
論文参考訳（メタデータ） (2021-03-24T16:24:20Z)
An analysis of the transfer learning of convolutional neural networks for artistic images [1.9336815376402716]
巨大な自然画像データセットからのトランスファー学習は、アート分析アプリケーションの中核となっている。本稿ではまず,ネットワークの内部表現を可視化する手法を用いて,ネットワークが芸術的イメージで何を学んだかを理解するための手がかりを提供する。特徴空間とパラメータ空間の両方のメトリクスと、最大アクティベーション画像のセットで計算されたメトリクスのおかげで、学習プロセスが導入した変化を定量的に分析する。
論文参考訳（メタデータ） (2020-11-05T09:45:32Z)
Learning Visual Representations for Transfer Learning by Suppressing Texture [38.901410057407766]
自己教師付き学習では、低レベルのキューとしてのテクスチャは、ネットワークがより高いレベルの表現を学習することを防ぐショートカットを提供する。本稿では,異方性拡散に基づく古典的手法を用いて,テクスチャを抑圧した画像を用いた強化訓練を提案する。提案手法は,物体検出と画像分類における最先端の成果を実証的に示す。
論文参考訳（メタデータ） (2020-11-03T18:27:03Z)
What is being transferred in transfer learning? [51.6991244438545]
事前訓練した重量からトレーニングを行うと、モデルは損失景観の同じ流域に留まることを示す。事前学習した重みからトレーニングする場合、モデルは損失ランドスケープの同じ流域に留まり、そのようなモデルの異なるインスタンスは特徴空間と類似しており、パラメータ空間は近接している。
論文参考訳（メタデータ） (2020-08-26T17:23:40Z)
Adversarially-Trained Deep Nets Transfer Better: Illustration on Image Classification [53.735029033681435]
トランスファーラーニングは、訓練済みのディープニューラルネットワークを画像認識タスクに新しいドメインに適用するための強力な方法論である。本研究では,非逆学習モデルよりも逆学習モデルの方が優れていることを示す。
論文参考訳（メタデータ） (2020-07-11T22:48:42Z)
The Utility of Feature Reuse: Transfer Learning in Data-Starved Regimes [6.419457653976053]
データ・スターベド・レシエーションを持つドメインに対する転送学習のユースケースについて述べる。畳み込み特徴抽出と微調整の有効性を評価する。我々はトランスファーラーニングがCNNアーキテクチャの性能を向上させることを結論付けている。
論文参考訳（メタデータ） (2020-02-29T18:48:58Z)

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。