論文の概要: Research Progress of Convolutional Neural Network and its Application in
Object Detection
- arxiv url: http://arxiv.org/abs/2007.13284v1
- Date: Mon, 27 Jul 2020 02:45:59 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-06 08:19:45.603773
- Title: Research Progress of Convolutional Neural Network and its Application in
Object Detection
- Title(参考訳): 畳み込みニューラルネットワークの研究の進展と物体検出への応用
- Authors: Wei Zhang and Zuoxiang Zeng
- Abstract要約: 畳み込みニューラルネットワーク(CNN)がオブジェクト検出の主要なアルゴリズムとなっている。
本稿では,畳み込みニューラルネットワークの研究の進展とその物体検出への応用について要約する。
- 参考スコア(独自算出の注目度): 5.176190855174938
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: With the improvement of computer performance and the increase of data volume,
the object detection based on convolutional neural network (CNN) has become the
main algorithm for object detection. This paper summarizes the research
progress of convolutional neural networks and their applications in object
detection, and focuses on analyzing and discussing a specific idea and method
of applying convolutional neural networks for object detection, pointing out
the current deficiencies and future development direction.
- Abstract(参考訳): コンピュータ性能の向上とデータボリュームの増加により、畳み込みニューラルネットワーク(CNN)に基づく物体検出がオブジェクト検出の主要なアルゴリズムとなっている。
本稿では, 物体検出における畳み込みニューラルネットワークとその応用研究の進展を要約し, 物体検出に畳み込みニューラルネットワークを適用するための具体的なアイデアと手法を分析・議論し, 現状の欠陥と今後の発展方向を指摘する。
関連論文リスト
- Recent Advances in Scalable Energy-Efficient and Trustworthy Spiking
Neural networks: from Algorithms to Technology [11.479629320025673]
スパイキングニューラルネットワーク(SNN)は、幅広い信号処理アプリケーションのために、ディープニューラルネットワークの魅力的な代替品となっている。
我々は、低レイテンシとエネルギー効率のSNNを効率的に訓練し、拡張するためのアルゴリズムと最適化の進歩について述べる。
デプロイ可能なSNNシステム構築における研究の今後の可能性について論じる。
論文 参考訳(メタデータ) (2023-12-02T19:47:00Z) - Understanding Forward Process of Convolutional Neural Network [0.0]
本稿では,CNNの前方処理における選択的回転について述べる。
これは、入力データの回転面を統一し定量化する識別機構として活性化関数を解明する。
論文 参考訳(メタデータ) (2023-07-27T00:37:18Z) - Spiking Generative Adversarial Network with Attention Scoring Decoding [4.5727987473456055]
スパイクニューラルネットワークは、脳のような処理に近づいた近似を提供する。
我々は複雑な画像を扱うことができるスパイク生成対向ネットワークを構築した。
論文 参考訳(メタデータ) (2023-05-17T14:35:45Z) - Initial Study into Application of Feature Density and
Linguistically-backed Embedding to Improve Machine Learning-based
Cyberbullying Detection [54.83707803301847]
この研究は、自動サイバーバブル検出に関するKaggleコンペティションで提供されたFormspringデータセットで実施された。
本研究は,サイバブリング検出におけるニューラルネットワークの有効性と分類器性能と特徴密度の相関性を確認した。
論文 参考訳(メタデータ) (2022-06-04T03:17:15Z) - 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) - A Survey on Deep Domain Adaptation and Tiny Object Detection Challenges,
Techniques and Datasets [11.911055871045715]
本研究では,コンピュータビジョンに基づく物体検出の課題と解法を,異なる手法を用いて分析した。
対象物検出に関わる課題を概説し, 歴史的, 比較分析による解を提示した。
論文 参考訳(メタデータ) (2021-07-16T14:33:31Z) - Deep Spiking Convolutional Neural Network for Single Object Localization
Based On Deep Continuous Local Learning [0.0]
グレースケール画像における単一物体の局所化のための深部畳み込みスパイクニューラルネットワークを提案する。
Oxford-IIIT-Petで報告された結果は、教師付き学習アプローチによるスパイクニューラルネットワークの活用を検証する。
論文 参考訳(メタデータ) (2021-05-12T12:02:05Z) - The efficiency of deep learning algorithms for detecting anatomical
reference points on radiological images of the head profile [55.41644538483948]
U-Netニューラルネットワークは、完全な畳み込みニューラルネットワークよりも正確に解剖学的基準点の検出を可能にする。
U-Net ニューラルネットワークによる解剖学的基準点検出の結果は,歯科矯正医のグループによる基準点検出の平均値に近づいた。
論文 参考訳(メタデータ) (2020-05-25T13:51:03Z) - Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。
人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。
実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文 参考訳(メタデータ) (2020-05-15T23:57:36Z) - Spiking Neural Networks Hardware Implementations and Challenges: a
Survey [53.429871539789445]
スパイキングニューラルネットワークは、ニューロンとシナプスの操作原理を模倣する認知アルゴリズムである。
スパイキングニューラルネットワークのハードウェア実装の現状について述べる。
本稿では,これらのイベント駆動アルゴリズムの特性をハードウェアレベルで活用するための戦略について論じる。
論文 参考訳(メタデータ) (2020-05-04T13:24:00Z) - Binary Neural Networks: A Survey [126.67799882857656]
バイナリニューラルネットワークは、リソース制限されたデバイスにディープモデルをデプロイするための有望なテクニックとして機能する。
バイナライゼーションは必然的に深刻な情報損失を引き起こし、さらに悪いことに、その不連続性はディープネットワークの最適化に困難をもたらす。
本稿では,2項化を直接実施するネイティブソリューションと,量子化誤差の最小化,ネットワーク損失関数の改善,勾配誤差の低減といった手法を用いて,これらのアルゴリズムを探索する。
論文 参考訳(メタデータ) (2020-03-31T16:47:20Z)
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。