論文の概要: Deep Convolutional Neural Networks: A survey of the foundations,
selected improvements, and some current applications
- arxiv url: http://arxiv.org/abs/2011.12960v1
- Date: Wed, 25 Nov 2020 19:03:23 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-21 02:10:00.305446
- Title: Deep Convolutional Neural Networks: A survey of the foundations,
selected improvements, and some current applications
- Title（参考訳）: Deep Convolutional Neural Networks: 基礎、選択された改善、およびいくつかの最近の応用に関する調査
- Authors: Lars Lien Ankile, Morgan Feet Heggland, Kjartan Krange
- Abstract要約: 本稿では,CNN(Convolutional Neural Networks)という,そのような手法を提示し,検討する。
CNNは、畳み込みと呼ばれる特別な線形演算を使用するディープニューラルネットワークである。
本稿では、実際に非常に効果的であることが証明された畳み込みの2つの応用について論じる。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Within the world of machine learning there exists a wide range of different
methods with respective advantages and applications. This paper seeks to
present and discuss one such method, namely Convolutional Neural Networks
(CNNs). CNNs are deep neural networks that use a special linear operation
called convolution. This operation represents a key and distinctive element of
CNNs, and will therefore be the focus of this method paper. The discussion
starts with the theoretical foundations that underlie convolutions and CNNs.
Then, the discussion proceeds to discuss some improvements and augmentations
that can be made to adapt the method to estimate a wider set of function
classes. The paper mainly investigates two ways of improving the method: by
using locally connected layers, which can make the network less invariant to
translation, and tiled convolution, which allows for the learning of more
complex invariances than standard convolution. Furthermore, the use of the Fast
Fourier Transform can improve the computational efficiency of convolution.
Subsequently, this paper discusses two applications of convolution that have
proven to be very effective in practice. First, the YOLO architecture is a
state of the art neural network for image object classification, which
accurately predicts bounding boxes around objects in images. Second, tumor
detection in mammography may be performed using CNNs, accomplishing 7.2% higher
specificity than actual doctors with only .3% less sensitivity. Finally, the
invention of technology that outperforms humans in different fields also raises
certain ethical and regulatory questions that are briefly discussed.
- Abstract（参考訳）: 機械学習の世界には、様々な利点と応用の様々な方法が存在する。
本稿では、畳み込みニューラルネットワーク(convolutional neural networks:cnns)について述べる。
CNNは、畳み込みと呼ばれる特別な線形演算を使用するディープニューラルネットワークである。
この操作はcnnのキーと特徴的な要素を表しており、そのためこの方法の論文の焦点となる。
議論は、畳み込みとCNNの根底にある理論的基盤から始まる。
次に、より広い範囲の関数クラスを推定するために、メソッドを適用できるいくつかの改善と拡張について論じる。
本論文は, 局所連結層を用いることで, ネットワークの翻訳への不変性を低減し, タイル付き畳み込みにより, 標準的な畳み込みよりも複雑な不変性を学習する, という2つの方法について検討する。
さらに、高速フーリエ変換を用いることで、畳み込みの計算効率を向上させることができる。
本論文は, 実用上非常に効果的であることが証明された畳み込みの2つの応用について述べる。
まず、YOLOアーキテクチャは画像オブジェクト分類のためのアートニューラルネットワークの状態であり、画像内のオブジェクトのまわりのバウンディングボックスを正確に予測する。
第2に、マンモグラフィにおける腫瘍の検出はcnnを用いて行われ、感度が.3%未満の実際の医師よりも7.2%高い特異性を達成する。
最後に、異なる分野の人間を上回るテクノロジーの発明は、簡潔に議論される特定の倫理的および規制的な疑問を提起する。
関連論文リスト
- Enhancing Convolutional Neural Networks with Higher-Order Numerical Difference Methods [6.26650196870495]
畳み込みニューラルネットワーク(CNN)は、人間が多くの現実世界の問題を解決するのを助けることができる。
本稿では,CNNの性能向上を目的とした線形多段階法に基づく重ね合わせ手法を提案する。
論文 参考訳（メタデータ） (2024-09-08T05:13:58Z) - Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳（メタデータ） (2024-03-18T18:01:01Z) - What to Do When Your Discrete Optimization Is the Size of a Neural
Network? [24.546550334179486]
ニューラルネットワークを用いた機械学習アプリケーションは、離散最適化問題を解くことを含む。
離散的な設定で使用される古典的なアプローチは、大きなニューラルネットワークに対してうまくスケールしない。
連続経路(CP)法は,前者およびモンテカルロ法(MC)法を純粋に表現し,後者を表現している。
論文 参考訳（メタデータ） (2024-02-15T21:57:43Z) - Training Convolutional Neural Networks with the Forward-Forward
algorithm [1.74440662023704]
Forward Forward (FF)アルゴリズムは、現在まで完全に接続されたネットワークでしか使われていない。
FFパラダイムをCNNに拡張する方法を示す。
我々のFF学習したCNNは、空間的に拡張された新しいラベリング手法を特徴とし、MNISTの手書き桁データセットにおいて99.16%の分類精度を実現している。
論文 参考訳（メタデータ） (2023-12-22T18:56:35Z) - Permutation Equivariant Neural Functionals [92.0667671999604]
この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。
隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。
実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
論文 参考訳（メタデータ） (2023-02-27T18:52:38Z) - Low-Energy Convolutional Neural Networks (CNNs) using Hadamard Method [0.0]
畳み込みニューラルネットワーク(CNN)は、オブジェクト認識と検出の潜在的アプローチである。
畳み込み操作の代替として,アダマール変換に基づく新しいアプローチを示す。
この方法は、入力画像サイズよりもカーネルサイズが小さい場合、他のコンピュータビジョンタスクに役立ちます。
論文 参考訳（メタデータ） (2022-09-06T21:36:57Z) - Classifying high-dimensional Gaussian mixtures: Where kernel methods
fail and neural networks succeed [27.38015169185521]
2層ニューラルネットワーク (2lnn) の隠れたニューロンがカーネル学習の性能を上回ることができることを理論的に示している。
ニューラルネットワークのオーバーパラメータが収束を早めるが、最終的な性能は改善しないことを示す。
論文 参考訳（メタデータ） (2021-02-23T15:10:15Z) - Spatio-Temporal Inception Graph Convolutional Networks for
Skeleton-Based Action Recognition [126.51241919472356]
我々はスケルトンに基づく行動認識のためのシンプルで高度にモジュール化されたグラフ畳み込みネットワークアーキテクチャを設計する。
ネットワークは,空間的および時間的経路から多粒度情報を集約するビルディングブロックを繰り返すことで構築される。
論文 参考訳（メタデータ） (2020-11-26T14:43:04Z) - EvoPose2D: Pushing the Boundaries of 2D Human Pose Estimation using
Accelerated Neuroevolution with Weight Transfer [82.28607779710066]
生物進化にインスパイアされたニューラル・アーキテクチャー・サーチの一形態であるニューラル・エボリューションの2次元ヒューマン・ポーズ・ネットワークの設計への応用について検討する。
本手法は,最先端の手設計ネットワークよりも効率的かつ高精度なネットワーク設計を実現する。
論文 参考訳（メタデータ） (2020-11-17T05:56:16Z) - Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。
接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。
この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文 参考訳（メタデータ） (2020-08-19T04:53:31Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳（メタデータ） (2020-03-03T07:27:44Z)
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。