Fugu-MT 論文翻訳(概要): Enhancing Haptic Distinguishability of Surface Materials with Boosting Technique

論文の概要: Enhancing Haptic Distinguishability of Surface Materials with Boosting Technique

arxiv url: http://arxiv.org/abs/2010.02002v4
Date: Mon, 10 Jan 2022 11:45:21 GMT
ステータス: 処理完了
システム内更新日: 2022-10-10 21:14:56.252451
Title: Enhancing Haptic Distinguishability of Surface Materials with Boosting Technique
Title（参考訳）: ブースティング法による表面材料の破砕性向上
Authors: Priyadarshini K and Subhasis Chaudhuri
Abstract要約: 本稿では,ハプティック信号の識別特性の解析のための一般的な枠組みを提案する。触覚信号の識別性を高めるため,スペクトル特性の有効性と埋め込み技術の向上を実証した。
参考スコア（独自算出の注目度）: 12.817958136846777
License: http://creativecommons.org/publicdomain/zero/1.0/
Abstract: Discriminative features are crucial for several learning applications, such as object detection and classification. Neural networks are extensively used for extracting discriminative features of images and speech signals. However, the lack of large datasets in the haptics domain often limits the applicability of such techniques. This paper presents a general framework for the analysis of the discriminative properties of haptic signals. We demonstrate the effectiveness of spectral features and a boosted embedding technique in enhancing the distinguishability of haptic signals. Experiments indicate our framework needs less training data, generalizes well for different predictors, and outperforms the related state-of-the-art.
Abstract（参考訳）: 識別機能は、オブジェクト検出や分類など、いくつかの学習アプリケーションにおいて不可欠である。ニューラルネットワークは、画像と音声信号の識別的特徴を抽出するために広く使われている。しかしながら、hapticsドメインにおける大規模なデータセットの欠如は、そのようなテクニックの適用性を制限することが多い。本稿では,ハプティック信号の識別特性の解析のための一般的な枠組みを提案する。触覚信号の識別性を高めるために,スペクトル特徴と強調埋め込み技術の有効性を実証する。実験により、我々のフレームワークは、トレーニングデータが少なくなり、異なる予測子に対してうまく一般化され、関連する最先端よりも優れています。

関連論文リスト

High-Discriminative Attribute Feature Learning for Generalized Zero-Shot Learning [54.86882315023791]
一般化ゼロショット学習(HDAFL)のための高識別属性特徴学習(High-Discriminative Attribute Feature Learning)という革新的な手法を提案する。 HDAFLは複数の畳み込みカーネルを使用して、画像の属性と高い相関性を持つ識別領域を自動的に学習する。また、属性間の識別能力を高めるために、Transformerベースの属性識別エンコーダを導入する。
論文参考訳（メタデータ） (2024-04-07T13:17:47Z)
Hodge-Aware Contrastive Learning [101.56637264703058]
単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
論文参考訳（メタデータ） (2023-09-14T00:40:07Z)
Looking Beyond Corners: Contrastive Learning of Visual Representations for Keypoint Detection and Description Extraction [1.5749416770494706]
学習可能なキーポイント検出器とディスクリプタは、古典的な手作りの特徴抽出方法よりも優れています。視覚表現の自己教師型学習に関する最近の研究は、深層ネットワークに基づく学習可能なモデルの性能向上を促している。本稿では,繰り返し可能なキーポイントを検知し,識別的記述を抽出する対応ネットワーク(CorrNet)を提案する。
論文参考訳（メタデータ） (2021-12-22T16:27:11Z)
Discriminative Attribution from Counterfactuals [64.94009515033984]
本稿では,特徴属性と反実的説明を組み合わせたニューラルネットワークの解釈可能性について述べる。本手法は,特徴属性法の性能を客観的に評価するために有効であることを示す。
論文参考訳（メタデータ） (2021-09-28T00:53:34Z)
Enhancing Fine-Grained Classification for Low Resolution Images [97.82441158440527]
低解像度画像は、限られた情報内容の固有の課題と、サブカテゴリ分類に有用な詳細の欠如に悩まされる。本研究では,補助情報を用いて分類の識別的特徴を学習する,新たな属性支援損失を提案する。提案する損失関数により、モデルは属性レベルの分離性を取り入れながら、クラス固有の識別特徴を学習することができる。
論文参考訳（メタデータ） (2021-05-01T13:19:02Z)
Graph Neural Networks for UnsupervisedDomain Adaptation of Histopathological ImageAnalytics [22.04114134677181]
組織像解析のための教師なし領域適応のための新しい手法を提案する。特徴空間に画像を埋め込むバックボーンと、ラベルで画像の監視信号をプロパゲートするグラフニューラルネットワーク層に基づいている。実験では、4つの公開データセット上での最先端のパフォーマンスを評価する。
論文参考訳（メタデータ） (2020-08-21T04:53:44Z)
Capturing scattered discriminative information using a deep architecture in acoustic scene classification [49.86640645460706]
本研究では,識別情報を捕捉し,同時に過度に適合する問題を緩和する様々な手法について検討する。我々は、ディープニューラルネットワークにおける従来の非線形アクティベーションを置き換えるために、Max Feature Map法を採用する。 2つのデータ拡張方法と2つの深いアーキテクチャモジュールは、システムの過度な適合を減らし、差別的なパワーを維持するためにさらに検討されている。
論文参考訳（メタデータ） (2020-07-09T08:32:06Z)
Interpretable Classification of Bacterial Raman Spectra with Knockoff Wavelets [3.8258426534664047]
高速ラマン分光データを考察し、慎重に選択された特徴を持つロジスティック回帰モデルがニューラルネットワークと同等の精度を達成することを示す。我々は特定のデータセットに焦点をあてるが、提案手法は解釈可能性が重要である可能性のある他の種類の信号データにも広く適用できる。
論文参考訳（メタデータ） (2020-06-08T21:09:50Z)
Learning What Makes a Difference from Counterfactual Examples and Gradient Supervision [57.14468881854616]
ニューラルネットワークの一般化能力を改善するための補助的学習目標を提案する。我々は、異なるラベルを持つ最小差の例のペア、すなわち反ファクトまたはコントラストの例を使用し、タスクの根底にある因果構造を示す信号を与える。このテクニックで訓練されたモデルは、配布外テストセットのパフォーマンスを向上させる。
論文参考訳（メタデータ） (2020-04-20T02:47:49Z)
Learning Cross-domain Generalizable Features by Representation Disentanglement [11.74643883335152]
ディープラーニングモデルは、異なるドメイン間で限定的な一般化性を示す。本稿では,MIDNet(Multual-Information-based Disentangled Neural Networks)を提案する。本手法は手書き桁データセットと胎児超音波データセットを用いて画像分類を行う。
論文参考訳（メタデータ） (2020-02-29T17:53:16Z)

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。