論文の概要: Similarity-Based Clustering for Enhancing Image Classification Architectures

• arxiv url: http://arxiv.org/abs/2011.04728v3
• Date: Wed, 6 Oct 2021 04:48:18 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-30 04:45:27.936385
• Title: Similarity-Based Clustering for Enhancing Image Classification Architectures
• Title（参考訳）: 画像分類アーキテクチャ強化のための類似性に基づくクラスタリング
• Authors: Dishant Parikh
• Abstract要約: コンテンツに基づく画像類似性と深層学習モデルの融合により,クラスタ化学習を可能にする情報の流れを実現できることを示す。 本稿では,サブデータセットクラスタのトレーニングによって計算コストが削減されるだけでなく,与えられたデータセット上でモデルの評価とチューニングのスピードも向上することを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional networks are at the center of best-in-class computer vision applications for a wide assortment of undertakings. Since 2014, a profound amount of work began to make better convolutional architectures, yielding generous additions in different benchmarks. Albeit expanded model size and computational cost will, in general, mean prompt quality increases for most undertakings but, the architectures now need to have some additional information to increase the performance. I show evidence that with the amalgamation of content-based image similarity and deep learning models, we can provide the flow of information which can be used in making clustered learning possible. The paper shows how training of sub-dataset clusters not only reduces the cost of computation but also increases the speed of evaluating and tuning a model on the given dataset.
• Abstract（参考訳）: 畳み込みネットワークは、幅広い事業のためにクラスで最高のコンピュータビジョンアプリケーションの中心にある。 2014年以降、多くの作業が畳み込みアーキテクチャの改善に取り組み始め、様々なベンチマークで寛大な追加をもたらした。 モデルのサイズと計算コストは、たいていの業務において即時品質向上を意味するが、アーキテクチャはパフォーマンス向上のために追加情報を必要とする。 コンテンツベースの画像類似性とディープラーニングモデルが融合することで,クラスタ化学習を可能にするための情報の流れを提供できることを示す。 本稿では,サブデータセットクラスタのトレーニングによって計算コストが削減されるだけでなく,与えられたデータセット上でモデルの評価とチューニングのスピードも向上することを示す。

関連論文リスト

• Discriminative Anchor Learning for Efficient Multi-view Clustering [59.11406089896875]
  マルチビュークラスタリング(DALMC)のための識別的アンカー学習を提案する。 元のデータセットに基づいて、識別的なビュー固有の特徴表現を学習する。 これらの表現に基づいて異なるビューからアンカーを構築することで、共有アンカーグラフの品質が向上します。
  論文  参考訳（メタデータ） (2024-09-25T13:11:17Z)
• Additional Look into GAN-based Augmentation for Deep Learning COVID-19 Image Classification [57.1795052451257]
  我々は,GANに基づく拡張性能のデータセットサイズ依存性について,小サンプルに着目して検討した。 両方のセットでStyleGAN2-ADAをトレーニングし、生成した画像の品質を検証した後、マルチクラス分類問題における拡張アプローチの1つとしてトレーニングされたGANを使用する。 GANベースの拡張アプローチは、中規模および大規模データセットでは古典的な拡張に匹敵するが、より小さなデータセットでは不十分である。
  論文  参考訳（メタデータ） (2024-01-26T08:28:13Z)
• Probing clustering in neural network representations [30.640266399583613]
  ニューラルネットワークトレーニングにおける多くの設計選択が、隠れた表現で形成されたクラスタにどのように影響するかを検討する。 トレーニングデータセットとアーキテクチャを、クラスタビリティに影響を及ぼす重要な要因として分離します。 正規化戦略はどの層が最高のクラスタリング性能をもたらすかに影響します。
  論文  参考訳（メタデータ） (2023-11-14T02:33:54Z)
• CoNe: Contrast Your Neighbours for Supervised Image Classification [62.12074282211957]
  Contrast Your Neighbours (CoNe)は、教師付き画像分類のための学習フレームワークである。 CoNeは、より適応的で洗練されたターゲットを生成するために、類似した隣人の特徴をアンカーとして採用している。 私たちのCoNeは、最近のTimトレーニングレシピを上回るResNet-50で、ImageNetの80.8%のTop-1精度を実現しています。
  論文  参考訳（メタデータ） (2023-08-21T14:49:37Z)
• Dataset Quantization [72.61936019738076]
  大規模データセットを小さなサブセットに圧縮する新しいフレームワークであるデータセット量子化(DQ)を提案する。 DQは、ImageNet-1kのような大規模データセットを最先端圧縮比で蒸留する最初の方法である。
  論文  参考訳（メタデータ） (2023-08-21T07:24:29Z)
• Class-level Structural Relation Modelling and Smoothing for Visual Representation Learning [12.247343963572732]
  本稿では、視覚表現学習のためのbfクラスレベルの構造関係モデリングと平滑化というフレームワークを提案する。 クラスレベルの関係モデリング、クラス対応グラフガイドサンプリング、グラフガイド表現学習モジュールが含まれる。 実験では、構造化知識モデリングによる表現学習の有効性を実証し、CSRMSを任意の最先端の視覚的表現学習モデルに組み込むことにより、パフォーマンス向上を図っている。
  論文  参考訳（メタデータ） (2023-08-08T09:03:46Z)
• Let Segment Anything Help Image Dehaze [12.163299570927302]
  低レベルコンピュータビジョンタスクに先立って,大規模モデルを統合するためのフレームワークを提案する。 低レベル視覚タスクの導出における大規模モデルの有効性と適用性を示す。
  論文  参考訳（メタデータ） (2023-06-28T02:02:19Z)
• COMET: A Comprehensive Cluster Design Methodology for Distributed Deep Learning Training [42.514897110537596]
  現代のディープラーニング(DL)モデルは、トレーニングする専門的でハイエンドなノードの大規模なクラスタを必要とするサイズに成長しています。 このようなクラスタを設計してパフォーマンスと利用の両方を最大化します。 本稿では,並列化戦略と鍵クラスタリソースのプロビジョニングが分散DLトレーニングのパフォーマンスに与える影響を共同で研究する,総合的なクラスタ設計方法論とワークフローであるCOMETを紹介する。
  論文  参考訳（メタデータ） (2022-11-30T00:32:37Z)
• Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
  コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。 複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
  論文  参考訳（メタデータ） (2022-07-14T19:16:56Z)
• Fusion of CNNs and statistical indicators to improve image classification [65.51757376525798]
  畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。 この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。 我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
  論文  参考訳（メタデータ） (2020-12-20T23:24:31Z)
• Improving accuracy and speeding up Document Image Classification through parallel systems [4.102028235659611]
  RVL-CDIPデータセットで、より軽量なモデルで以前の結果を改善することができることを示す。 画像入力のみを増強できるアンサンブルパイプラインを提案する。 最後に、PyTorchとDeep Learningフレームワーク間のトレーニングパフォーマンスの違いを明らかにします。
  論文  参考訳（メタデータ） (2020-06-16T13:36:07Z)

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。