Fugu-MT 論文翻訳(概要): Revisiting Edge Detection in Convolutional Neural Networks

論文の概要: Revisiting Edge Detection in Convolutional Neural Networks

arxiv url: http://arxiv.org/abs/2012.13576v1
Date: Fri, 25 Dec 2020 13:53:04 GMT
ステータス: 処理完了
システム内更新日: 2021-04-25 05:51:52.406949
Title: Revisiting Edge Detection in Convolutional Neural Networks
Title（参考訳）: 畳み込みニューラルネットワークにおけるエッジ検出の再検討
Authors: Minh Le, Subhradeep Kayal
Abstract要約: ニューラルネットワークの第1畳み込み層においてエッジを適切に表現することはできないことを示す。エッジ検出ユニットを提案し,性能損失を低減し,定性的に異なる表現を生成することを示す。
参考スコア（独自算出の注目度）: 3.5281112495479245
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: The ability to detect edges is a fundamental attribute necessary to truly capture visual concepts. In this paper, we prove that edges cannot be represented properly in the first convolutional layer of a neural network, and further show that they are poorly captured in popular neural network architectures such as VGG-16 and ResNet. The neural networks are found to rely on color information, which might vary in unexpected ways outside of the datasets used for their evaluation. To improve their robustness, we propose edge-detection units and show that they reduce performance loss and generate qualitatively different representations. By comparing various models, we show that the robustness of edge detection is an important factor contributing to the robustness of models against color noise.
Abstract（参考訳）: エッジを検出する能力は、視覚概念を真に捉えるのに必要な基本的な属性である。本稿では,ニューラルネットワークの第1畳み込み層においてエッジを適切に表現できないこと,さらに,VGG-16やResNetといった一般的なニューラルネットワークアーキテクチャにおいて,エッジが不十分であることを示す。ニューラルネットワークは色情報に依存しており、評価に使用されるデータセット以外では予期せぬ方法で変化する可能性がある。その頑健性を改善するために,エッジ検出ユニットを提案し,性能損失を低減し,定性的に異なる表現を生成することを示す。様々なモデルを比較することにより、エッジ検出の堅牢性は、カラーノイズに対するモデルの堅牢性に寄与する重要な要因であることを示す。

関連論文リスト

Investigating the Gestalt Principle of Closure in Deep Convolutional Neural Networks [4.406699323036466]
本研究では,畳み込みニューラルネットワークにおける閉鎖原理について検討する。端部を段階的に除去した単純な視覚刺激を用いた実験を行った。我々は、不完全ポリゴンを分類する能力に基づいて、よく知られたネットワークを評価する。
論文参考訳（メタデータ） (2024-11-01T14:36:21Z)
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)
Visual Prompting Upgrades Neural Network Sparsification: A Data-Model Perspective [64.04617968947697]
より優れた重量空間を実現するために、新しいデータモデル共設計視点を導入する。具体的には、提案したVPNフレームワークでニューラルネットワークのスパーシフィケーションをアップグレードするために、カスタマイズされたVisual Promptが実装されている。
論文参考訳（メタデータ） (2023-12-03T13:50:24Z)
Energy-based Out-of-Distribution Detection for Graph Neural Networks [76.0242218180483]
我々は,GNNSafeと呼ばれるグラフ上での学習のための,シンプルで強力で効率的なOOD検出モデルを提案する。 GNNSafeは、最先端技術に対するAUROCの改善を最大17.0%で達成しており、そのような未開発領域では単純だが強力なベースラインとして機能する可能性がある。
論文参考訳（メタデータ） (2023-02-06T16:38:43Z)
Robustifying Deep Vision Models Through Shape Sensitization [19.118696557797957]
そこで本研究では,ネットワークの全体像を学習するためのインセンティブを明示的に付与する,シンプルで軽量な対向拡張手法を提案する。我々の拡張は、ランダムに決定された混合比を用いて、シャッフルパッチで、ある画像から別の画像へのエッジマップを重畳する。この拡張により,データセットやニューラルアーキテクチャの分類精度とロバストネスが大幅に向上することを示す。
論文参考訳（メタデータ） (2022-11-14T11:17:46Z)
DeepDC: Deep Distance Correlation as a Perceptual Image Quality Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。 5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文参考訳（メタデータ） (2022-11-09T14:57:27Z)
CNN-based Prediction of Network Robustness With Missing Edges [0.9239657838690227]
部分的なネットワーク情報が欠落している場合、CNNによる接続性および制御可能性予測の性能について検討する。しきい値として、7.29%以上の情報が失われれば、CNNベースの予測の性能は著しく劣化する。
論文参考訳（メタデータ） (2022-08-25T03:36:20Z)
Improved Orientation Estimation and Detection with Hybrid Object Detection Networks for Automotive Radar [1.53934570513443]
我々は,レーダに基づく物体検出ネットワークを改善するために,グリッドとポイントを併用した新しいハイブリッドアーキテクチャを提案する。格子描画の前に、点の正確な相対位置を利用して、点ベースモデルが近傍の特徴を抽出できることが示される。これは、次の畳み込み検出バックボーンに対して大きなメリットがある。
論文参考訳（メタデータ） (2022-05-03T06:29:03Z)
FuNNscope: Visual microscope for interactively exploring the loss landscape of fully connected neural networks [77.34726150561087]
ニューラルネットワークの高次元景観特性を探索する方法を示す。我々は、小さなニューラルネットワークの観測結果をより複雑なシステムに一般化する。インタラクティブダッシュボードは、いくつかのアプリケーションネットワークを開放する。
論文参考訳（メタデータ） (2022-04-09T16:41:53Z)
One-Stage Deep Edge Detection Based on Dense-Scale Feature Fusion and Pixel-Level Imbalance Learning [5.370848116287344]
後処理なしで高品質なエッジ画像を生成することができる一段階ニューラルネットワークモデルを提案する。提案モデルでは、トレーニング済みのニューラルモデルをエンコーダとして使用する古典的なエンコーダデコーダフレームワークを採用している。本稿では,エッジ画像の画素レベルの不均衡に対処する新たな損失関数を提案する。
論文参考訳（メタデータ） (2022-03-17T15:26:00Z)
Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。構造化されたマルチスケール機能学習と融合。本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
論文参考訳（メタデータ） (2021-01-08T04:14:29Z)

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。