Fugu-MT 論文翻訳(概要): ContourCNN: convolutional neural network for contour data classification

論文の概要: ContourCNN: convolutional neural network for contour data classification

arxiv url: http://arxiv.org/abs/2009.09412v2
Date: Wed, 30 Sep 2020 11:58:16 GMT
ステータス: 処理完了
システム内更新日: 2022-10-16 13:01:56.733147
Title: ContourCNN: convolutional neural network for contour data classification
Title（参考訳）: ContourCNN:contourデータ分類のための畳み込みニューラルネットワーク
Authors: Ahmad Droby, Jihad El-Sana
Abstract要約: 本稿では,輪郭データ解析(ContourCNN)と形状分類のための新しい畳み込みニューラルネットワークモデルを提案する。輪郭表現の循環特性を扱うために円形の畳み込み層を用いる。情報の空間性に対処するために,その大きさに基づいて特徴を選別する優先度プーリング層を導入する。
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: This paper proposes a novel Convolutional Neural Network model for contour data analysis (ContourCNN) and shape classification. A contour is a circular sequence of points representing a closed shape. For handling the cyclical property of the contour representation, we employ circular convolution layers. Contours are often represented sparsely. To address information sparsity, we introduce priority pooling layers that select features based on their magnitudes. Priority pooling layers pool features with low magnitudes while leaving the rest unchanged. We evaluated the proposed model using letters and digits shapes extracted from the EMNIST dataset and obtained a high classification accuracy.
Abstract（参考訳）: 本稿では,輪郭データ解析(ContourCNN)と形状分類のための新しい畳み込みニューラルネットワークモデルを提案する。輪郭は閉じた形を表す点の円列である。輪郭表現の循環特性を扱うために、円形の畳み込み層を用いる。輪郭はしばしばまばらに表される。情報の空間性に対処するために,その大きさに基づいて特徴を選別する優先度プーリング層を導入する。優先度プール層は、残りをそのままにして低等級でプールする。 EMNISTデータセットから抽出した文字と桁の形状を用いて提案モデルを評価し,高い分類精度を得た。

関連論文リスト

Segmenting objects with Bayesian fusion of active contour models and convnet priors [0.729597981661727]
本稿では,自然資源モニタリング(NRM)画像を対象とした新しい事例分割手法を提案する。我々は、個々の物体の輪郭を学習する際に、形状、位置、位置の先行を組み込むベイズ最大値後部推論として問題を定式化する。実験では、個々の枯木樹冠と正確な輪郭を分割する、挑戦的で現実的な問題に取り組む。
論文参考訳（メタデータ） (2024-10-09T20:36:43Z)
SpaceMesh: A Continuous Representation for Learning Manifold Surface Meshes [61.110517195874074]
本稿では,ニューラルネットワークの出力として,複雑な接続性を持つ多様体多角形メッシュを直接生成する手法を提案する。私たちの重要なイノベーションは、各メッシュで連続的な遅延接続空間を定義することです。アプリケーションでは、このアプローチは生成モデルから高品質な出力を得るだけでなく、メッシュ修復のような挑戦的な幾何処理タスクを直接学習することを可能にする。
論文参考訳（メタデータ） (2024-09-30T17:59:03Z)
Deep Learning as Ricci Flow [38.27936710747996]
ディープニューラルネットワーク(DNN)は、複雑なデータの分布を近似する強力なツールである。分類タスク中のDNNによる変換は、ハミルトンのリッチ流下で期待されるものと類似していることを示す。本研究の成果は, 微分幾何学や離散幾何学から, 深層学習における説明可能性の問題まで, ツールの利用を動機づけるものである。
論文参考訳（メタデータ） (2024-04-22T15:12:47Z)
Classification with neural networks with quadratic decision functions [1.8720794335381465]
本稿では,2次決定関数を持つニューラルネットワークの分類への応用について検討する。特に、手書き桁の分類のためのMNISTデータセット上で、アルゴリズムを検証、比較する。実装は,それぞれ,ソフトウェアフローとKerasのニューラルネットワーク構造に基づいて行うことができることを示す。
論文参考訳（メタデータ） (2024-01-19T14:18:32Z)
From Complexity to Clarity: Analytical Expressions of Deep Neural Network Weights via Clifford's Geometric Algebra and Convexity [54.01594785269913]
我々は,標準正規化損失のトレーニングにおいて,深部ReLUニューラルネットワークの最適重みがトレーニングサンプルのウェッジ積によって与えられることを示した。トレーニング問題は、トレーニングデータセットの幾何学的構造をエンコードするウェッジ製品機能よりも凸最適化に還元される。
論文参考訳（メタデータ） (2023-09-28T15:19:30Z)
ARO-Net: Learning Implicit Fields from Anchored Radial Observations [25.703496065476067]
3次元形状の暗黙的場表現を学習するための新しい形状符号化であるアンカードラジアル観測(ARO)を導入する。固定されたアンカーの集合を用いて、フィボナッチサンプリングを行い、座標に基づくディープニューラルネットワークを設計することにより、汎用的で統一された形状表現を開発する。 ARO-Netと命名されたネットワークの質と汎用性を,スパース点雲から表面再構成した上で実証する。
論文参考訳（メタデータ） (2022-12-19T16:29:20Z)
LatticeNet: Fast Spatio-Temporal Point Cloud Segmentation Using Permutohedral Lattices [27.048998326468688]
深層畳み込みニューラルネットワーク(CNN)は、画像のセグメンテーションに際し、優れた性能を示している。本稿では,3次元セマンティックセグメンテーションの新たなアプローチであるLatticeNetを提案する。本稿では,本手法が最先端性能を実現する複数のデータセット上での3次元セグメント化の結果について述べる。
論文参考訳（メタデータ） (2021-08-09T10:17:27Z)
Neural Subdivision [58.97214948753937]
本稿では,データ駆動型粗粒度モデリングの新しいフレームワークであるNeural Subdivisionを紹介する。すべてのローカルメッシュパッチで同じネットワーク重みのセットを最適化するため、特定の入力メッシュや固定属、カテゴリに制約されないアーキテクチャを提供します。単一の高分解能メッシュでトレーニングしても,本手法は新規な形状に対して合理的な区分を生成する。
論文参考訳（メタデータ） (2020-05-04T20:03:21Z)
Learning Local Neighboring Structure for Robust 3D Shape Representation [143.15904669246697]
3Dメッシュの表現学習は多くのコンピュータビジョンやグラフィックスアプリケーションにおいて重要である。局所構造認識型異方性畳み込み操作(LSA-Conv)を提案する。本モデルでは,3次元形状復元において最先端の手法に比べて顕著な改善が得られた。
論文参考訳（メタデータ） (2020-04-21T13:40:03Z)
PointGMM: a Neural GMM Network for Point Clouds [83.9404865744028]
点雲は3次元形状の一般的な表現であるが、形状の先行や非局所的な情報を考慮せずに特定のサンプリングを符号化する。本稿では,形状クラスの特徴であるhGMMの生成を学習するニューラルネットワークであるPointGMMを提案する。生成モデルとして、PointGMMは既存の形状間の整合性を生成できる有意義な潜在空間を学習することを示す。
論文参考訳（メタデータ） (2020-03-30T10:34:59Z)
Revealing the Structure of Deep Neural Networks via Convex Duality [70.15611146583068]
我々は,正規化深層ニューラルネットワーク(DNN)について検討し,隠蔽層の構造を特徴付ける凸解析フレームワークを導入する。正規正規化学習問題に対する最適隠蔽層重みの集合が凸集合の極点として明確に見出されることを示す。ホワイトデータを持つ深部ReLUネットワークに同じ特徴を応用し、同じ重み付けが成り立つことを示す。
論文参考訳（メタデータ） (2020-02-22T21:13:44Z)

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。