論文の概要: Fast Fourier Intrinsic Network

• arxiv url: http://arxiv.org/abs/2011.04612v1
• Date: Mon, 9 Nov 2020 18:14:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-28 02:12:24.616230
• Title: Fast Fourier Intrinsic Network
• Title（参考訳）: 高速フーリエ固有ネットワーク
• Authors: Yanlin Qian and Miaojing Shi and Joni-Kristian K\"am\"ar\"ainen and Jiri Matas
• Abstract要約: 本稿ではスペクトル領域で動作する高速フーリエ固有ネットワークFFI-Netを提案する。 FFI-Netの重みはスペクトル領域で最適化されており、より高速な収束を可能にする。 MPI-Sintel、MIT Intrinsic、IIWデータセット上での最先端のパフォーマンスを実現する。
• 参考スコア（独自算出の注目度）: 41.95712986029093
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We address the problem of decomposing an image into albedo and shading. We propose the Fast Fourier Intrinsic Network, FFI-Net in short, that operates in the spectral domain, splitting the input into several spectral bands. Weights in FFI-Net are optimized in the spectral domain, allowing faster convergence to a lower error. FFI-Net is lightweight and does not need auxiliary networks for training. The network is trained end-to-end with a novel spectral loss which measures the global distance between the network prediction and corresponding ground truth. FFI-Net achieves state-of-the-art performance on MPI-Sintel, MIT Intrinsic, and IIW datasets.
• Abstract（参考訳）: イメージをアルベドとシェーディングに分解する問題に対処する。 本稿では、スペクトル領域で動作し、入力を複数のスペクトル帯域に分割する高速フーリエ固有ネットワークであるffi-netを提案する。 ffi-netの重みはスペクトル領域で最適化され、より低い誤差に高速に収束できる。 ffi-netは軽量で、トレーニングに補助ネットワークは必要ない。 ネットワークは、ネットワーク予測と対応する地上真実とのグローバル距離を測定する新しいスペクトル損失でエンドツーエンドに訓練される。 FFI-Netは、MPI-Sintel、MIT Intrinsic、IIWデータセット上で最先端のパフォーマンスを達成する。

関連論文リスト

• Spectral Informed Neural Network: An Efficient and Low-Memory PINN [3.8534287291074354]
  本稿では、微分演算子を乗法で置き換えるスペクトルベースニューラルネットワークを提案する。 PINNと比較して、我々のアプローチはメモリの削減とトレーニング時間の短縮を必要とする。 我々は、スペクトル情報を用いてネットワークを訓練する2つの戦略を提供する。
  論文  参考訳（メタデータ） (2024-08-29T10:21:00Z)
• Multiscale Low-Frequency Memory Network for Improved Feature Extraction in Convolutional Neural Networks [13.815116154370834]
  本稿では,Multiscale Low-Frequency Memory (MLFM) Networkを提案する。 MLFMは低周波情報を効率よく保存し、目標とするコンピュータビジョンタスクの性能を向上させる。 我々の研究は、既存のCNN基盤の上に構築され、コンピュータビジョンの今後の進歩の道を開く。
  論文  参考訳（メタデータ） (2024-03-13T00:48:41Z)
• TFDMNet: A Novel Network Structure Combines the Time Domain and Frequency Domain Features [34.91485245048524]
  本稿では、畳み込み層を置き換える新しい要素ワイド乗算層(EML)を提案する。 また、過度に適合する問題を緩和するための重み付け機構も導入する。 実験結果から,TFDMNetはMNIST, CIFAR-10, ImageNetデータベース上で優れた性能を示すことがわかった。
  論文  参考訳（メタデータ） (2024-01-29T08:18:21Z)
• Graph Neural Networks for Power Allocation in Wireless Networks with Full Duplex Nodes [10.150768420975155]
  ユーザ間の相互干渉のため、無線ネットワークにおける電力割り当て問題はしばしば自明ではない。 グラフグラフニューラルネットワーク(GNN)は、これらの問題に対処するための有望なアプローチとして最近登場し、無線ネットワークの基盤となるトポロジを活用するアプローチである。
  論文  参考訳（メタデータ） (2023-03-27T10:59:09Z)
• Network Calculus with Flow Prolongation -- A Feedforward FIFO Analysis enabled by ML [73.11023209243326]
  Flow Prolongation (FP) は遅延境界精度を大幅に改善することが示されている。 本稿では,機械学習を用いて拡張を予測することによって,FPをスケールするアプローチであるDeepFPを紹介する。 DeepFPは計算コストを無視して平均12.1%削減する。
  論文  参考訳（メタデータ） (2022-02-07T08:46:47Z)
• Win the Lottery Ticket via Fourier Analysis: Frequencies Guided Network Pruning [50.232218214751455]
  最適ネットワークプルーニングは、数学的にはNPハード問題である非自明なタスクである。 本稿では,MBP(Magnitude-Based Pruning)方式について検討し,新しい視点から解析する。 また,新たな2段階プルーニング手法を提案し,その1段階はプルーニングネットワークのトポロジ的構造を取得し,もう1段階はプルーニングネットワークを再訓練し,キャパシティを回復させる。
  論文  参考訳（メタデータ） (2022-01-30T03:42:36Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)
• Towards Theoretical Understanding of Flexible Transmitter Networks via Approximation and Local Minima [74.30120779041428]
  近似と局所最小値の観点から一層FTNetの理論的性質を考察する。 その結果,FTNetは効率よく対象関数を表現でき,局所最小化には関心がないことが明らかとなった。
  論文  参考訳（メタデータ） (2021-11-11T02:41:23Z)
• 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)
• Acceleration of Convolutional Neural Network Using FFT-Based Split Convolutions [11.031841470875571]
  畳み込みニューラルネットワーク(CNN)は多数の変数を持つため、実装の複雑さに悩まされる。 高速フーリエ変換(FFT)に基づくCNNの最近の研究は、FFTに必要な計算を単純化することを目的としている。 本稿では,入力分割に基づくFFT領域における新しいCNN処理法を提案する。
  論文  参考訳（メタデータ） (2020-03-27T20:16:57Z)

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。