論文の概要: Training Deep Neural Networks for Wireless Sensor Networks Using Loosely and Weakly Labeled Images

• arxiv url: http://arxiv.org/abs/2010.02546v1
• Date: Tue, 6 Oct 2020 08:28:34 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-10 07:23:00.023190
• Title: Training Deep Neural Networks for Wireless Sensor Networks Using Loosely and Weakly Labeled Images
• Title（参考訳）: 粗いラベル付き画像を用いた無線センサネットワークのための深層ニューラルネットワークの訓練
• Authors: Qianwei Zhou, Yuhang Chen, Baoqing Li, Xiaoxin Li, Chen Zhou, Jingchang Huang, Haigen Hu
• Abstract要約: コスト・エフェクティブ・ドメイン一般化アルゴリズムは、最小限の労働力で効率的なネットワークを訓練するために提案されている。 トレーニングされたネットワークは予測あたり約700万の乗算を持ち、デジタル信号プロセッサチップがリアルタイムの認識を行うのに十分な大きさである。
• 参考スコア（独自算出の注目度）: 5.623083256503203
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Although deep learning has achieved remarkable successes over the past years, few reports have been published about applying deep neural networks to Wireless Sensor Networks (WSNs) for image targets recognition where data, energy, computation resources are limited. In this work, a Cost-Effective Domain Generalization (CEDG) algorithm has been proposed to train an efficient network with minimum labor requirements. CEDG transfers networks from a publicly available source domain to an application-specific target domain through an automatically allocated synthetic domain. The target domain is isolated from parameters tuning and used for model selection and testing only. The target domain is significantly different from the source domain because it has new target categories and is consisted of low-quality images that are out of focus, low in resolution, low in illumination, low in photographing angle. The trained network has about 7M (ResNet-20 is about 41M) multiplications per prediction that is small enough to allow a digital signal processor chip to do real-time recognitions in our WSN. The category-level averaged error on the unseen and unbalanced target domain has been decreased by 41.12%.
• Abstract（参考訳）: ディープラーニングはここ数年で目覚ましい成功を収めてきたが、データ、エネルギー、計算リソースが限られている画像認識のための無線センサネットワーク(wsns)にディープニューラルネットワークを適用するという報告はほとんど発表されていない。 本研究では,最小作業量で効率的なネットワークを訓練するために,コスト効率のよいドメイン一般化(cedg)アルゴリズムを提案する。 CEDGは、自動的に割り当てられた合成ドメインを介して、公開ソースドメインからアプリケーション固有のターゲットドメインにネットワークを転送する。 ターゲットドメインはパラメータチューニングから分離され、モデル選択とテストのみに使用される。 対象領域は、新たなターゲットカテゴリを持ち、焦点が合わず、解像度が低く、照明が低く、撮影角度が低い低画質の画像で構成されているため、ソースドメインと大きく異なる。 トレーニングされたネットワークは、予測当たり約7m(resnet-20は約41m)の乗算があり、デジタル信号プロセッサチップが我々のwsnでリアルタイムに認識できるほど小さい。 被検出領域および非平衡領域におけるカテゴリーレベルの平均誤差は41.12%減少している。

関連論文リスト

• Spectral Adversarial MixUp for Few-Shot Unsupervised Domain Adaptation [72.70876977882882]
  臨床応用においては、トレーニング画像(ソース領域)とテスト画像(ターゲット領域)が異なる分布下にある場合、ドメインシフトは一般的な問題である。 本稿では,Few-Shot Unsupervised Domain Adaptation (FSUDA) の新たな手法を提案する。
  論文  参考訳（メタデータ） (2023-09-03T16:02:01Z)
• Self-training through Classifier Disagreement for Cross-Domain Opinion Target Extraction [62.41511766918932]
  オピニオンターゲット抽出(OTE)またはアスペクト抽出(AE)は意見マイニングの基本的な課題である。 最近の研究は、現実世界のシナリオでよく見られるクロスドメインのOTEに焦点を当てている。 そこで本稿では,ドメイン固有の教師と学生のネットワークから出力されるモデルが未学習のターゲットデータと一致しない対象サンプルを選択するためのSSLアプローチを提案する。
  論文  参考訳（メタデータ） (2023-02-28T16:31:17Z)
• Increasing the Accuracy of a Neural Network Using Frequency Selective Mesh-to-Grid Resampling [4.211128681972148]
  ニューラルネットワークの入力データの処理にFSMR(Keypoint frequency selective mesh-to-grid resampling)を提案する。 ネットワークアーキテクチャや分類タスクによって、トレーニング中のFSMRの適用は学習プロセスに役立ちます。 ResNet50とOxflower17データセットの分類精度は最大4.31ポイント向上できる。
  論文  参考訳（メタデータ） (2022-09-28T21:34:47Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• Deep face recognition with clustering based domain adaptation [57.29464116557734]
  そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。 本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
  論文  参考訳（メタデータ） (2022-05-27T12:29:11Z)
• New SAR target recognition based on YOLO and very deep multi-canonical correlation analysis [0.1503974529275767]
  本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。 MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-10-28T18:10:26Z)
• External-Memory Networks for Low-Shot Learning of Targets in Forward-Looking-Sonar Imagery [8.767175335575386]
  本稿では,前向きソナー(FLS)画像におけるリアルタイム・データ効率の高いターゲット分析のためのメモリベースフレームワークを提案する。 我々のフレームワークは、DenseNetにインスパイアされた小さなネットワークを用いて、画像から識別不能な詳細を最初に除去することに依存している。 次に,フィルタ画像から新しいニューラルRAMベースの畳み込みマッチングネットワーク NRMN をカスケードして,低ショット目標認識を行う。
  論文  参考訳（メタデータ） (2021-07-22T07:50:44Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)
• Learning to Exploit Multiple Vision Modalities by Using Grafted Networks [16.562442770255032]
  新しい視覚センサーは、従来の強度カメラから入手できない情報を提供する。 現在の強力なディープニューラルネットワークでこれらのセンサーを使用するための障害は、大きなラベル付きトレーニングデータセットがないことである。 本稿では,非伝統的な視覚入力によって駆動される新しいフロントエンドネットワークが,インテンシティフレームを処理する事前訓練されたディープネットワークのフロントエンドネットワークを置き換えるネットワークグラフ化アルゴリズム(NGA)を提案する。
  論文  参考訳（メタデータ） (2020-03-24T16:37:52Z)
• Resolution Adaptive Networks for Efficient Inference [53.04907454606711]
  本稿では,低分解能表現が「容易」な入力を分類するのに十分である,という直感に触発された新しいレゾリューション適応ネットワーク(RANet)を提案する。 RANetでは、入力画像はまず、低解像度表現を効率的に抽出する軽量サブネットワークにルーティングされる。 ネットワーク内の高解像度パスは、"ハード"サンプルを認識する能力を維持している。
  論文  参考訳（メタデータ） (2020-03-16T16:54:36Z)

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。