Fugu-MT 論文翻訳(概要): PK-GCN: Prior Knowledge Assisted Image Classification using Graph Convolution Networks

論文の概要: PK-GCN: Prior Knowledge Assisted Image Classification using Graph Convolution Networks

arxiv url: http://arxiv.org/abs/2009.11892v1
Date: Thu, 24 Sep 2020 18:31:35 GMT
ステータス: 処理完了
システム内更新日: 2022-10-15 04:42:06.181406
Title: PK-GCN: Prior Knowledge Assisted Image Classification using Graph Convolution Networks
Title（参考訳）: PK-GCN:グラフ畳み込みネットワークを用いた事前知識支援画像分類
Authors: Xueli Xiao, Chunyan Ji, Thosini Bamunu Mudiyanselage, Yi Pan
Abstract要約: クラス間の類似性は、分類のパフォーマンスに影響を与える可能性がある。本稿では,クラス類似性の知識を畳み込みニューラルネットワークモデルに組み込む手法を提案する。実験結果から, 利用可能なデータの量が少ない場合には, 分類精度が向上することが示唆された。
参考スコア（独自算出の注目度）: 3.4129083593356433
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Deep learning has gained great success in various classification tasks. Typically, deep learning models learn underlying features directly from data, and no underlying relationship between classes are included. Similarity between classes can influence the performance of classification. In this article, we propose a method that incorporates class similarity knowledge into convolutional neural networks models using a graph convolution layer. We evaluate our method on two benchmark image datasets: MNIST and CIFAR10, and analyze the results on different data and model sizes. Experimental results show that our model can improve classification accuracy, especially when the amount of available data is small.
Abstract（参考訳）: ディープラーニングは様々な分類タスクで大きな成功を収めた。通常、ディープラーニングモデルはデータから直接基礎的な特徴を学習し、クラス間の基礎的な関係は含まれない。クラス間の類似性は分類のパフォーマンスに影響を与える可能性がある。本稿では,クラス類似性の知識をグラフ畳み込み層を用いた畳み込みニューラルネットワークモデルに組み込む手法を提案する。本手法は,mnistとcifar10の2つのベンチマーク画像データセットで評価し,異なるデータとモデルサイズで結果を分析する。実験結果から, 利用可能なデータの量が少ない場合には, 分類精度が向上することが示唆された。

関連論文リスト

Subgraph Clustering and Atom Learning for Improved Image Classification [4.499833362998488]
本稿では,特徴抽出のための畳み込みニューラルネットワーク(CNN)と構造モデリングのためのグラフニューラルネットワーク(GNN)の長所を融合した,新しいハイブリッド画像分類モデルであるグラフサブグラフネットワーク(GSN)を提案する。 GSNはk平均クラスタリングを使用してグラフノードをクラスタにグループ化し、サブグラフの作成を容易にする。これらの部分グラフを使用して、辞書学習のための代表原子を学習し、スパースでクラス区別可能な特徴の識別を可能にする。
論文参考訳（メタデータ） (2024-07-20T06:32:00Z)
Feature Activation Map: Visual Explanation of Deep Learning Models for Image Classification [17.373054348176932]
本研究では,機能活性化マップ (FAM) と呼ばれるポストホック解釈ツールを提案する。 FAMは、FC層を分類器として使用せずにディープラーニングモデルを解釈できる。提案したFAMアルゴリズムの有効性を実証するために,10種類の深層学習モデルを用いて,少数ショット画像分類,コントラスト学習画像分類,画像検索タスクを行った。
論文参考訳（メタデータ） (2023-07-11T05:33:46Z)
Provably Learning Diverse Features in Multi-View Data with Midpoint Mixup [17.4515763678587]
Mixupは、データポイントとラベルのランダムな凸組み合わせを使用したトレーニングに依存する、データ拡張技術である。各クラスが複数の関連する特徴(あるいはビュー)を持ち、クラスを正しく予測できるような分類問題に焦点をあてる。実験的リスク最小化を用いた2層畳み込みネットワークの学習は, クラス毎に2つの特徴を持つ非自明なデータ分布のクラスでは, ほぼすべてのクラスで1つの特徴しか学習できない一方で, Mixup の特定のインスタンス化による学習は各クラスで2つの特徴の学習に成功していることを示す。
論文参考訳（メタデータ） (2022-10-24T18:11:37Z)
Do We Really Need a Learnable Classifier at the End of Deep Neural Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文参考訳（メタデータ） (2022-03-17T04:34:28Z)
Multi network InfoMax: A pre-training method involving graph convolutional networks [0.0]
本稿では,グラフ畳み込み/ニューラルネットワーク(GCN/GNN)を含む事前学習手法を提案する。学習された高レベルグラフ潜在表現は、下流グラフ分類タスクのパフォーマンス向上に役立つ。我々は、被験者を健康管理群(HC)と統合失調症群(SZ)に分類するための神経画像データセットに適用した。
論文参考訳（メタデータ） (2021-11-01T21:53:20Z)
CvS: Classification via Segmentation For Small Datasets [52.821178654631254]
本稿では,分類ラベルをセグメントマップの予測から導出する小型データセットのコスト効率の高い分類器であるCvSを提案する。我々は,CvSが従来の手法よりもはるかに高い分類結果が得られることを示す多種多様な問題に対して,本フレームワークの有効性を評価する。
論文参考訳（メタデータ） (2021-10-29T18:41:15Z)
Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
論文参考訳（メタデータ） (2021-08-29T05:45:03Z)
A Comparison of Deep Learning Classification Methods on Small-scale Image Data set: from Converlutional Neural Networks to Visual Transformers [18.58928427116305]
本稿では、畳み込みニューラルネットワークと視覚変換器の適用と特性について説明する。様々なモデルを用いて、小さなデータセット上で一連の実験を行う。推奨されたディープラーニングモデルは、モデルアプリケーション環境に応じて与えられる。
論文参考訳（メタデータ） (2021-07-16T04:13:10Z)
ECKPN: Explicit Class Knowledge Propagation Network for Transductive Few-shot Learning [53.09923823663554]
クラスレベルの知識は、ほんの一握りのサンプルから人間が容易に学習することができる。本稿では,この問題に対処する明示的クラス知識伝達ネットワーク(ECKPN)を提案する。筆者らは,4つの数ショット分類ベンチマークについて広範な実験を行い,提案したECKPNが最先端の手法よりも優れていることを示す実験結果を得た。
論文参考訳（メタデータ） (2021-06-16T02:29:43Z)
No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文参考訳（メタデータ） (2021-06-09T12:02:29Z)
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)

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。