論文の概要: Quantum Tensor Network in Machine Learning: An Application to Tiny Object Classification

• arxiv url: http://arxiv.org/abs/2101.03154v1
• Date: Fri, 8 Jan 2021 18:33:52 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-10 05:11:23.521342
• Title: Quantum Tensor Network in Machine Learning: An Application to Tiny Object Classification
• Title（参考訳）: 機械学習における量子テンソルネットワーク:微小物体分類への応用
• Authors: Fanjie Kong, Xiao-yang Liu, Ricardo Henao
• Abstract要約: 私たちの研究では、量子スピンモデルを画像分類に適用し、この理論を小さな物体分類のシナリオに持ち込む。 最後に,実験結果から,テンソルネットワークモデルが微小物体分類問題に有効であり,最新技術に勝る可能性が示唆された。
• 参考スコア（独自算出の注目度）: 39.027985567917455
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Tiny object classification problem exists in many machine learning applications like medical imaging or remote sensing, where the object of interest usually occupies a small region of the whole image. It is challenging to design an efficient machine learning model with respect to tiny object of interest. Current neural network structures are unable to deal with tiny object efficiently because they are mainly developed for images featured by large scale objects. However, in quantum physics, there is a great theoretical foundation guiding us to analyze the target function for image classification regarding to specific objects size ratio. In our work, we apply Tensor Networks to solve this arising tough machine learning problem. First, we summarize the previous work that connects quantum spin model to image classification and bring the theory into the scenario of tiny object classification. Second, we propose using 2D multi-scale entanglement renormalization ansatz (MERA) to classify tiny objects in image. In the end, our experimental results indicate that tensor network models are effective for tiny object classification problem and potentially will beat state-of-the-art. Our codes will be available online https://github.com/timqqt/MERA_Image_Classification.
• Abstract（参考訳）: 細い物体分類問題は、医療画像やリモートセンシングのような多くの機械学習アプリケーションに存在し、興味のある物体は画像全体の小さな領域を占める。 小さな関心対象に関して効率的な機械学習モデルを設計することは困難である。 現在のニューラルネットワーク構造は、大規模なオブジェクトが特徴とする画像のために開発されたため、小さなオブジェクトを効率的に扱うことができない。 しかし、量子物理学では、特定の対象のサイズ比に関する画像分類のターゲット関数の解析を導く大きな理論的基礎がある。 我々の研究では、この困難な機械学習問題を解決するためにTensor Networksを適用しています。 まず、量子スピンモデルと画像分類を結びつける以前の研究を要約し、その理論を微小物体分類のシナリオに取り入れる。 次に, 画像中の微小物体の分類にMERA (Multi-scale entanglement renormalization ansatz) を用いる。 最後に,実験結果から,テンソルネットワークモデルが微小物体分類問題に有効であり,最新技術に勝る可能性が示唆された。 私たちのコードは、https://github.com/timqqt/mera_image_classificationで利用できます。

関連論文リスト

• On the Importance of Large Objects in CNN Based Object Detection Algorithms [0.0]
  すべてのサイズで重要な学習機能において、大きなオブジェクトの重要性を強調します。 大きな物体により多くの重みを与えると、全ての物体の大きさに対する検出スコアが向上することを示す。
  論文  参考訳（メタデータ） (2023-11-20T12:32:32Z)
• Object Detection in Aerial Images with Uncertainty-Aware Graph Network [61.02591506040606]
  本稿では,ノードとエッジがオブジェクトによって表現される構造化グラフを用いた,新しい不確実性を考慮したオブジェクト検出フレームワークを提案する。 我々は我々のモデルをオブジェクトDETection(UAGDet)のための不確実性対応グラフネットワークと呼ぶ。
  論文  参考訳（メタデータ） (2022-08-23T07:29:03Z)
• Efficient Classification of Very Large Images with Tiny Objects [15.822654320750054]
  Zoom-Inネットワークと呼ばれるエンドツーエンドCNNモデルを用いて,大容量画像を小さなオブジェクトで分類する。 本研究では,2つの大画像データセットと1ギガピクセルデータセットについて評価を行った。
  論文  参考訳（メタデータ） (2021-06-04T20:13:04Z)
• A Comparison for Anti-noise Robustness of Deep Learning Classification Methods on a Tiny Object Image Dataset: from Convolutional Neural Network to Visual Transformer and Performer [27.023667473278266]
  まず,ディープラーニングにおける畳み込みニューラルネットワークとビジュアルトランスフォーマーの開発について概説する。 次に、畳み込みニューラルネットワークとビジュアルトランスフォーマーの様々なモデルを用いて、小さなオブジェクトの画像データセット上で一連の実験を行う。 小型物体の分類における問題点を論じ, 今後, 小型物体の分類を展望する。
  論文  参考訳（メタデータ） (2021-06-03T15:28:17Z)
• Few-shot Weakly-Supervised Object Detection via Directional Statistics [55.97230224399744]
  少数ショットコモンオブジェクトローカライゼーション(COL)と少数ショット弱監視オブジェクト検出(WSOD)のための確率論的多重インスタンス学習手法を提案する。 本モデルでは,新しいオブジェクトの分布を同時に学習し,期待-最大化ステップにより局所化する。 提案手法は, 単純であるにもかかわらず, 少数のCOLとWSOD, 大規模WSODタスクにおいて, 高いベースラインを達成できることを示す。
  論文  参考訳（メタデータ） (2021-03-25T22:34:16Z)
• Supervised Training of Dense Object Nets using Optimal Descriptors for Industrial Robotic Applications [57.87136703404356]
  Florence、Manuelli、TedrakeによるDense Object Nets(DON)は、ロボットコミュニティのための新しいビジュアルオブジェクト表現として高密度オブジェクト記述子を導入した。 本稿では, 物体の3次元モデルを考えると, 記述子空間画像を生成することができ, DON の教師付きトレーニングが可能であることを示す。 産業用物体の6次元グリップ生成のためのトレーニング手法を比較し,新しい教師付きトレーニング手法により,産業関連タスクのピック・アンド・プレイス性能が向上することを示す。
  論文  参考訳（メタデータ） (2021-02-16T11:40:12Z)
• Satellite Image Classification with Deep Learning [0.0]
  IARPA関数マップ(FMoW)データセットから対象物や施設を63のクラスに分類する深層学習システムについて述べる。 このシステムは、畳み込みニューラルネットワークと、衛星メタデータと画像特徴を統合する追加のニューラルネットワークのアンサンブルで構成されている。 執筆時点では、このシステムはfMoW TopCoderコンペティションで2位だ。
  論文  参考訳（メタデータ） (2020-10-13T15:56:58Z)
• Tensor Networks for Medical Image Classification [0.456877715768796]
  我々は、量子多体システムを分析するために、過去20年間、物理学者のための仕事場であったネットワークのクラスに焦点を当てている。 医療画像解析に有用なマトリックス製品状態テンソルネットワークを拡張した。 テンソルネットワークは最先端のディープラーニング手法に匹敵する性能が得られることを示す。
  論文  参考訳（メタデータ） (2020-04-21T15:02:58Z)
• Self-Supervised Viewpoint Learning From Image Collections [116.56304441362994]
  本稿では,解析・合成パラダイムを取り入れた新たな学習フレームワークを提案する。 提案手法は,人間の顔,車,バス,電車など,複数の対象カテゴリに対して,完全に教師されたアプローチに対して競争力を発揮することを示す。
  論文  参考訳（メタデータ） (2020-04-03T22:01:41Z)
• Improving Few-shot Learning by Spatially-aware Matching and CrossTransformer [116.46533207849619]
  数ショット学習シナリオにおけるスケールと位置ミスマッチの影響について検討する。 本稿では,複数のスケールや場所のマッチングを効果的に行うための,空間認識型マッチング手法を提案する。
  論文  参考訳（メタデータ） (2020-01-06T14:10:20Z)

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。