論文の概要: Lattice Fusion Networks for Image Denoising
- arxiv url: http://arxiv.org/abs/2011.14196v3
- Date: Thu, 1 Jul 2021 17:27:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-19 19:30:40.700007
- Title: Lattice Fusion Networks for Image Denoising
- Title（参考訳）: 画像デノイジングのための格子融合ネットワーク
- Authors: Seyed Mohsen Hosseini
- Abstract要約: 本稿では,畳み込みニューラルネットワークにおける特徴融合手法を提案する。
これらの手法のいくつかと提案したネットワークは、DAG(Directed Acyclic Graph)ネットワークの一種と見なすことができる。
提案したネットワークは、学習可能なパラメータをはるかに少なくして、より良い結果を得ることができる。
- 参考スコア（独自算出の注目度）: 4.010371060637209
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: A novel method for feature fusion in convolutional neural networks is
proposed in this paper. Different feature fusion techniques are suggested to
facilitate the flow of information and improve the training of deep neural
networks. Some of these techniques as well as the proposed network can be
considered a type of Directed Acyclic Graph (DAG) Network, where a layer can
receive inputs from other layers and have outputs to other layers. In the
proposed general framework of Lattice Fusion Network (LFNet), feature maps of
each convolutional layer are passed to other layers based on a lattice graph
structure, where nodes are convolutional layers. To evaluate the performance of
the proposed architecture, different designs based on the general framework of
LFNet are implemented for the task of image denoising. This task is used as an
example where training deep convolutional networks is needed. Results are
compared with state of the art methods. The proposed network is able to achieve
better results with far fewer learnable parameters, which shows the
effectiveness of LFNets for training of deep neural networks.
- Abstract（参考訳）: 本稿では,畳み込みニューラルネットワークにおける特徴融合の新しい手法を提案する。
異なる特徴融合技術は、情報の流れを促進し、ディープニューラルネットワークのトレーニングを改善するために提案されている。
これらの技術と提案されたネットワークのいくつかは、他の層から入力を受け取り、他の層に出力を持つ有向非巡回グラフ(dag)ネットワークの一種と見なすことができる。
提案された格子融合ネットワーク(lfnet)の汎用フレームワークでは、各畳み込み層の特徴マップは、ノードが畳み込み層である格子グラフ構造に基づいて他の層に渡される。
提案アーキテクチャの性能を評価するために, LFNetの汎用フレームワークに基づく様々な設計が実装されている。
このタスクは、深層畳み込みネットワークのトレーニングが必要な例として使用される。
結果は、アートメソッドの状態と比較されます。
提案するネットワークは学習可能なパラメータをはるかに少なくしてよりよい結果を得ることができ、深層ニューラルネットワークのトレーニングにおけるlfnetsの有効性を示す。
関連論文リスト
- 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) - Adaptive Convolutional Neural Network for Image Super-resolution [43.06377001247278]
画像超解像のための適応畳み込みニューラルネットワーク(ADSRNet)を提案する。
上層ネットワークは、コンテキスト情報、カーネルマッピングの健全な情報関係、浅い層と深い層の関連性を高めることができる。
下位のネットワークは対称アーキテクチャを使用して、異なるレイヤの関係を強化し、より構造的な情報をマイニングする。
論文 参考訳（メタデータ） (2024-02-24T03:44:06Z) - Graph Metanetworks for Processing Diverse Neural Architectures [33.686728709734105]
Graph Metanetworks(GMN)は、競合するメソッドが苦労するニューラルネットワークに一般化する。
GMNは,入力ニューラルネットワーク関数を残したパラメータ置換対称性と等価であることを示す。
論文 参考訳（メタデータ） (2023-12-07T18:21:52Z) - Layer Collaboration in the Forward-Forward Algorithm [28.856139738073626]
フォワードフォワードアルゴリズムにおける層間協調について検討する。
ネットワーク内の情報の流れを考慮した場合, フォワードアルゴリズムの現在のバージョンが最適であることを示す。
ネットワーク構造をよりよく活用するために,レイヤコラボレーションをサポートする改良版を提案する。
論文 参考訳（メタデータ） (2023-05-21T08:12:54Z) - Local Critic Training for Model-Parallel Learning of Deep Neural
Networks [94.69202357137452]
そこで我々は,局所的批判訓練と呼ばれる新しいモデル並列学習手法を提案する。
提案手法は,畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)の両方において,階層群の更新プロセスの分離に成功したことを示す。
また,提案手法によりトレーニングされたネットワークを構造最適化に利用できることを示す。
論文 参考訳（メタデータ） (2021-02-03T09:30:45Z) - Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。
ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文 参考訳（メタデータ） (2020-10-02T16:50:26Z) - 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) - Backprojection for Training Feedforward Neural Networks in the Input and
Feature Spaces [12.323996999894002]
本稿では,バックプロパゲーションよりもかなり高速なフィードフォワードニューラルネットワークのトレーニングアルゴリズムを提案する。
提案アルゴリズムは、それぞれバックプロジェクションとカーネルバックプロジェクションと呼ばれる入力空間と特徴空間の両方に利用できる。
論文 参考訳（メタデータ） (2020-04-05T20:53:11Z) - Progressive Graph Convolutional Networks for Semi-Supervised Node
Classification [97.14064057840089]
グラフ畳み込みネットワークは、半教師付きノード分類のようなグラフベースのタスクに対処することに成功した。
本稿では,コンパクトかつタスク固有のグラフ畳み込みネットワークを自動構築する手法を提案する。
論文 参考訳（メタデータ） (2020-03-27T08:32:16Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳（メタデータ） (2020-01-28T18:25:15Z)
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。