論文の概要: New feature for Complex Network based on Ant Colony Optimization for High Level Classification

• arxiv url: http://arxiv.org/abs/2008.12884v1
• Date: Sat, 29 Aug 2020 00:22:43 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-23 16:55:06.533097
• Title: New feature for Complex Network based on Ant Colony Optimization for High Level Classification
• Title（参考訳）: 高レベル分類のためのアントコロニー最適化に基づく複雑ネットワークの新機能
• Authors: Josimar E. Chire-Saire
• Abstract要約: 高レベルの分類には、高レベルの特徴、存在パターン、データ間の関係、そして低レベルの特徴と高レベルの特徴を組み合わせて分類する。 本稿では,Ant Colony Systemアプローチに従ってネットワークのアーキテクチャを記述するための新機能を提案する。
• 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: Low level classification extracts features from the elements, i.e. physical to use them to train a model for a later classification. High level classification uses high level features, the existent patterns, relationship between the data and combines low and high level features for classification. High Level features can be got from Complex Network created over the data. Local and global features are used to describe the structure of a Complex Network, i.e. Average Neighbor Degree, Average Clustering. The present work proposed a novel feature to describe the architecture of the Network following a Ant Colony System approach. The experiments shows the advantage of using this feature because the sensibility with data of different classes.
• Abstract（参考訳）: 低レベルの分類は、要素から特徴を抽出する。すなわち、後で分類するモデルのトレーニングに物理的に使用する。 高レベル分類は、高レベル特徴、存在パターン、データ間の関係を使い、分類のために低レベル特徴と高レベル特徴を組み合わせる。 データ上に作成された複雑ネットワークから高レベル機能を得ることができる。 局所的およびグローバルな特徴は、複雑ネットワーク、すなわち平均的隣接度、平均的クラスタリングの構造を記述するために使用される。 本稿では,Ant Colony Systemアプローチに従ってネットワークのアーキテクチャを記述するための新機能を提案する。 実験は、異なるクラスのデータに対する感受性から、この機能を使用する利点を示している。

関連論文リスト

• How Deep Neural Networks Learn Compositional Data: The Random Hierarchy Model [47.617093812158366]
  言語と画像の階層構造にインスパイアされた合成タスクのファミリーであるランダム階層モデルを紹介する。 深層ネットワークは、等価なグループを交換するために不変な内部表現を開発することでタスクを学習する。 この結果から, ネットワークは次元の呪いを克服し, 不変表現を構築できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-05T09:11:09Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Cross-layer Navigation Convolutional Neural Network for Fine-grained Visual Classification [21.223130735592516]
  FGVCは、オブジェクトのサブクラスを同じスーパークラスで分類することを目的としている。 FGVCタスクにとって重要な解決策は、地域からターゲットの識別的微妙な情報を見つけることである。 機能融合のための階層間ナビゲーション畳み込みニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-06-21T08:38:27Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• A Network-Based High-Level Data Classification Algorithm Using Betweenness Centrality [7.3810864598379755]
  本稿では、ネットワーク間の重心度尺度を用いた純粋ネットワークに基づくハイレベル分類手法を提案する。 我々は、このモデルを9つの異なる実際のデータセットでテストし、他の9つの伝統的なよく知られた分類モデルと比較する。
  論文  参考訳（メタデータ） (2020-09-16T23:14:13Z)
• New complex network building methodology for High Level Classification based on attribute-attribute interaction [0.0]
  本稿では,属性の正規化や隠れパターンのキャプチャを必要としない属性-属性相互作用に基づくネットワーク構築手法を提案する。 現在の結果から,現在のハイレベル技術の改善に有効であることが示された。
  論文  参考訳（メタデータ） (2020-09-14T21:58:33Z)
• ReMarNet: Conjoint Relation and Margin Learning for Small-Sample Image Classification [49.87503122462432]
  ReMarNet(Relation-and-Margin Learning Network)と呼ばれるニューラルネットワークを導入する。 本手法は,上記2つの分類機構の双方において優れた性能を発揮する特徴を学習するために,異なるバックボーンの2つのネットワークを組み立てる。 4つの画像データセットを用いた実験により,本手法はラベル付きサンプルの小さな集合から識別的特徴を学習するのに有効であることが示された。
  論文  参考訳（メタデータ） (2020-06-27T13:50:20Z)
• Fine-Grained Visual Classification with Efficient End-to-end Localization [49.9887676289364]
  本稿では,エンド・ツー・エンドの設定において,分類ネットワークと融合可能な効率的なローカライゼーションモジュールを提案する。 我々は,CUB200-2011,Stanford Cars,FGVC-Aircraftの3つのベンチマークデータセット上で,新しいモデルを評価する。
  論文  参考訳（メタデータ） (2020-05-11T14:07:06Z)
• Global Context-Aware Progressive Aggregation Network for Salient Object Detection [117.943116761278]
  我々は,低レベルな外観特徴,高レベルな意味特徴,グローバルな文脈特徴を統合化するための新しいネットワークGCPANetを提案する。 提案手法は, 定量的かつ定性的に, 最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-03-02T04:26:10Z)
• Weakly Supervised Attention Pyramid Convolutional Neural Network for Fine-Grained Visual Classification [71.96618723152487]
  注意ピラミッド畳み込みニューラルネットワーク(AP-CNN)について紹介する。 AP-CNNは高レベルのセマンティックと低レベルの詳細な特徴表現の両方を学ぶ。 追加のバウンディングボックス/パートアノテーションを必要とせずに、エンドツーエンドでトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-02-09T12:33:23Z)

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。