論文の概要: An Ultra Lightweight CNN for Low Resource Circuit Component Recognition

• arxiv url: http://arxiv.org/abs/2010.00505v1
• Date: Thu, 1 Oct 2020 15:54:08 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-12 08:19:13.236338
• Title: An Ultra Lightweight CNN for Low Resource Circuit Component Recognition
• Title（参考訳）: 低リソース回路部品認識のための超軽量CNN
• Authors: Yingnan Ju, Yue Chen
• Abstract要約: 画像内の異なる回路成分を、非常に限られた訓練データで効果的に認識できる超軽量システムを提案する。 我々のシステムの精度は93.4%に達し、サポートベクトルマシン(SVM)ベースライン(75.50%)と既存の最先端RetinaNetソリューション(92.80%)を上回っている。
• 参考スコア（独自算出の注目度）: 11.085448830542568
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this paper, we present an ultra lightweight system that can effectively recognize different circuit components in an image with very limited training data. Along with the system, we also release the data set we created for the task. A two-stage approach is employed by our system. Selective search was applied to find the location of each circuit component. Based on its result, we crop the original image into smaller pieces. The pieces are then fed to the Convolutional Neural Network (CNN) for classification to identify each circuit component. It is of engineering significance and works well in circuit component recognition in a low resource setting. The accuracy of our system reaches 93.4\%, outperforming the support vector machine (SVM) baseline (75.00%) and the existing state-of-the-art RetinaNet solutions (92.80%).
• Abstract（参考訳）: 本稿では,画像内の異なる回路成分を極めて限られた訓練データで効果的に認識できる,超軽量なシステムを提案する。 システムとともに、タスクのために作成したデータセットもリリースします。 システムでは2段階のアプローチが採用されている。 各回路部品の位置を求めるために選択探索を適用した。 その結果から,オリジナル画像をより小さな断片に分解した。 それらの部品は、各回路コンポーネントを識別するために分類するために、畳み込みニューラルネットワーク(CNN)に送られる。 工学的重要性があり、低リソース環境では回路部品認識にうまく機能する。 システムの精度は93.4\%に達し、サポートベクトルマシン(SVM)ベースライン(75.00%)と既存の最先端RetinaNetソリューション(92.80%)を上回っている。

関連論文リスト

• Multi-Objective Neural Architecture Search for In-Memory Computing [0.5892638927736115]
  我々は、インメモリコンピューティングアーキテクチャに多様な機械学習(ML)タスクをデプロイする効率を高めるために、ニューラルネットワークサーチ(NAS)を採用している。 IMCアーキテクチャ展開のためのNASアプローチの評価は、3つの異なる画像分類データセットにまたがる。
  論文  参考訳（メタデータ） (2024-06-10T19:17:09Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• Low-Power Multi-Camera Object Re-Identification using Hierarchical Neural Networks [9.884285377021044]
  最先端技術は大規模で計算集約的なディープニューラルネットワーク(DNN)に依存している トレーニングデータセットの属性ラベルを用いて効率的なオブジェクトreIDを実行する新しい階層型DNNアーキテクチャを提案する。 74%のメモリ削減、72%のオペレーション削減、67%のクエリレイテンシ削減、65%のエネルギー消費削減を実現しています。
  論文  参考訳（メタデータ） (2021-06-19T23:59:26Z)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• Multi-Stage Progressive Image Restoration [167.6852235432918]
  本稿では、これらの競合する目標を最適にバランスできる新しい相乗的設計を提案する。 本提案では, 劣化した入力の復元関数を段階的に学習する多段階アーキテクチャを提案する。 MPRNetという名前の密接な相互接続型マルチステージアーキテクチャは、10のデータセットに対して強力なパフォーマンス向上を実現している。
  論文  参考訳（メタデータ） (2021-02-04T18:57:07Z)
• DISPATCH: Design Space Exploration of Cyber-Physical Systems [5.273291582861981]
  サイバー物理システム(CPS)の設計は、様々なCPS構成の大規模な検索空間を探索する難題である。 設計空間上のサンプル効率探索のための2段階の手法であるDisdisを提案する。
  論文  参考訳（メタデータ） (2020-09-21T23:14:51Z)
• Anchor-free Small-scale Multispectral Pedestrian Detection [88.7497134369344]
  適応型単一段アンカーフリーベースアーキテクチャにおける2つのモードの効果的かつ効率的な多重スペクトル融合法を提案する。 我々は,直接的境界ボックス予測ではなく,対象の中心と規模に基づく歩行者表現の学習を目指す。 その結果,小型歩行者の検出における本手法の有効性が示唆された。
  論文  参考訳（メタデータ） (2020-08-19T13:13:01Z)
• ResNeSt: Split-Attention Networks [86.25490825631763]
  このアーキテクチャは、異なるネットワークブランチにチャンネルワイズを応用し、機能間相互作用のキャプチャと多様な表現の学習の成功を活用する。 我々のモデルはResNeStと呼ばれ、画像分類の精度と遅延トレードオフにおいてEfficientNetより優れています。
  論文  参考訳（メタデータ） (2020-04-19T20:40:31Z)
• Automated Pavement Crack Segmentation Using U-Net-based Convolutional Neural Network [10.48658033897047]
  本稿では,畳み込みニューラルネットワークを用いた深層学習手法を提案する。 私たちのアプローチは、他の機械学習技術と比較して、最小限の機能エンジニアリングを必要とします。 提案手法は,CFDデータセットで96%,Crack500データセットで73%のF1スコアを達成し,これらのデータセットでテストされた他のアルゴリズムよりも優れていた。
  論文  参考訳（メタデータ） (2020-01-07T07:18:13Z)

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。