論文の概要: A Multiple Classifier Approach for Concatenate-Designed Neural Networks

• arxiv url: http://arxiv.org/abs/2101.05457v1
• Date: Thu, 14 Jan 2021 04:32:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-03-29 09:24:00.680454
• Title: A Multiple Classifier Approach for Concatenate-Designed Neural Networks
• Title（参考訳）: 連結設計ニューラルネットワークのための多重分類器アプローチ
• Authors: Ka-Hou Chan, Sio-Kei Im and Wei Ke
• Abstract要約: 私たちは、ネットワークセット間で生成された特徴を収集する分類器の設計を与えます。 我々はL2正規化法を用いて、Softmax Denseの代わりに分類スコアを得る。 その結果、提案された分類器は実験ケースの精度を向上させることができる。
• 参考スコア（独自算出の注目度）: 13.017053017670467
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: This article introduces a multiple classifier method to improve the performance of concatenate-designed neural networks, such as ResNet and DenseNet, with the purpose to alleviate the pressure on the final classifier. We give the design of the classifiers, which collects the features produced between the network sets, and present the constituent layers and the activation function for the classifiers, to calculate the classification score of each classifier. We use the L2 normalization method to obtain the classifier score instead of the Softmax normalization. We also determine the conditions that can enhance convergence. As a result, the proposed classifiers are able to improve the accuracy in the experimental cases significantly, and show that the method not only has better performance than the original models, but also produces faster convergence. Moreover, our classifiers are general and can be applied to all classification related concatenate-designed network models.
• Abstract（参考訳）: 本稿では,resnet や densenet などの結合型ニューラルネットワークの性能を向上させるために,最終分類器の圧力を軽減するために,多重分類器法を提案する。 ネットワークセット間で生成された特徴を収集する分類器の設計を行い、分類器の構成層とアクティベーション関数を示し、各分類器の分類スコアを算出する。 ソフトマックス正規化の代わりにL2正規化法を用いて分類器スコアを得る。 また,収束性を高める条件も決定する。 その結果,提案した分類器は実験事例の精度を著しく向上させることができ,本手法が元のモデルよりも優れた性能を示すだけでなく,より高速な収束を実現することを示す。 さらに、分類器は汎用的で、すべての分類関連連結設計ネットワークモデルに適用できる。

関連論文リスト

• Classifier Chain Networks for Multi-Label Classification [0.0]
  分類器チェーンは、多ラベルデータセットを解析するのに広く用いられる手法である。 連鎖の一般化として,分類器チェーンネットワークを導入する。
  論文  参考訳（メタデータ） (2024-11-04T21:56:13Z)
• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• Anomaly Detection using Ensemble Classification and Evidence Theory [62.997667081978825]
  本稿では,アンサンブル分類とエビデンス理論を用いた新しい検出手法を提案する。 固体アンサンブル分類器を構築するためのプール選択戦略が提示される。 我々は異常検出手法の不確実性を利用する。
  論文  参考訳（メタデータ） (2022-12-23T00:50:41Z)
• On the rate of convergence of a classifier based on a Transformer encoder [55.41148606254641]
  最適誤分類確率に対する分類器の誤分類確率の収束率を分析する。 この分類器は,アポテリオリ確率が適切な階層的構成モデルを満たす場合,次元性の呪いを回避することができる。
  論文  参考訳（メタデータ） (2021-11-29T14:58:29Z)
• CondNet: Conditional Classifier for Scene Segmentation [46.62529212678346]
  従来のグローバル分類器を置き換える条件付き分類器を提案する。 クラス内での区別に参画し、より高密度な認識能力に繋がる。 条件付き分類器(CondNetと呼ばれる)を備えたフレームワークは、2つのデータセットで新しい最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-09-21T17:19:09Z)
• Multiple Classifiers Based Maximum Classifier Discrepancy for Unsupervised Domain Adaptation [25.114533037440896]
  本稿では、2つの分類器の構造を複数の分類器に拡張し、その性能をさらに向上することを提案する。 平均的に、3つの分類器の構造を採用すると、精度と効率のトレードオフとして最高の性能が得られることを示す。
  論文  参考訳（メタデータ） (2021-08-02T03:00:13Z)
• An evidential classifier based on Dempster-Shafer theory and deep learning [6.230751621285322]
  Dempster-Shafer(DS)理論に基づく新しい分類システムと、集合値分類のための畳み込みニューラルネットワーク(CNN)アーキテクチャを提案する。 画像認識,信号処理,セマンティック-リレーションシップ分類タスクに関する実験では,深部CNN,DS層,期待されるユーティリティ層の組み合わせにより,分類精度の向上が図られている。
  論文  参考訳（メタデータ） (2021-03-25T01:29:05Z)
• Learning and Evaluating Representations for Deep One-class Classification [59.095144932794646]
  ディープワンクラス分類のための2段階フレームワークを提案する。 まず,一級データから自己教師付き表現を学習し,学習した表現に基づいて一級分類器を構築する。 実験では、視覚領域の1クラス分類ベンチマークで最先端の性能を示す。
  論文  参考訳（メタデータ） (2020-11-04T23:33:41Z)
• Equivalent Classification Mapping for Weakly Supervised Temporal Action Localization [92.58946210982411]
  微弱に監督された時間的行動の局所化は近年、新しく広く研究されているトピックである。 事前分類パイプラインは、まず、各ビデオスニペットの分類を行い、次いで、スニペットレベルの分類スコアを集約して、ビデオレベルの分類スコアを得る。 後分類パイプラインは、まずスニペットレベルの特徴を集約し、集約された特徴に基づいてビデオレベルの分類スコアを予測する。
  論文  参考訳（メタデータ） (2020-08-18T03:54:56Z)
• Conditional Classification: A Solution for Computational Energy Reduction [2.182419181054266]
  本稿では,畳み込みニューラルネットワークモデルの計算複雑性を低減する新しい手法を提案する。 提案手法は,1)入力サンプルを一連の超クラスに分類する粗粒分類,2)最終ラベルを第1ステップで検出した超クラス間で予測する細粒分類の2段階に分類する。
  論文  参考訳（メタデータ） (2020-06-29T03:50:39Z)

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。