論文の概要: Spectral Roll-off Points: Estimating Useful Information Under the Basis
of Low-frequency Data Representations
- arxiv url: http://arxiv.org/abs/2102.00369v1
- Date: Sun, 31 Jan 2021 03:49:51 GMT
- ステータス: 処理完了
- システム内更新日: 2021-02-02 15:54:35.108510
- Title: Spectral Roll-off Points: Estimating Useful Information Under the Basis
of Low-frequency Data Representations
- Title（参考訳）: スペクトルロールオフ点:低周波データ表現に基づく有用情報の推定
- Authors: Yunkai Yu, Zhihong Yang, Yuyang You, Guozheng Liu, Peiyao Li, Zhicheng
Yang, Wenjing Shan
- Abstract要約: 本研究では,有用な情報を推定する際に,スペクトルロールオフ点(SROP)を用いて低周波状態を統合することを提案する。
SROPの計算は、画像分類タスクにおいて必要となる回転不変性により、1次元信号から2次元画像に拡張される。
- 参考スコア（独自算出の注目度）: 4.884857037626591
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Useful information is the basis for model decisions. Estimating useful
information in feature maps promotes the understanding of the mechanisms of
neural networks. Low frequency is a prerequisite for useful information in data
representations, because downscaling operations reduce the communication
bandwidth. This study proposes the use of spectral roll-off points (SROPs) to
integrate the low-frequency condition when estimating useful information. The
computation of an SROP is extended from a 1-D signal to a 2-D image by the
required rotation invariance in image classification tasks. SROP statistics
across feature maps are implemented for layer-wise useful information
estimation. Sanity checks demonstrate that the variation of layer-wise SROP
distributions among model input can be used to recognize useful components that
support model decisions. Moreover, the variations of SROPs and accuracy, the
ground truth of useful information of models, are synchronous when adopting
sufficient training in various model structures. Therefore, SROP is an accurate
and convenient estimation of useful information. It promotes the explainability
of artificial intelligence with respect to frequency-domain knowledge.
- Abstract（参考訳）: 有用な情報はモデル決定の基礎である。
特徴マップにおける有用な情報の推定は、ニューラルネットワークのメカニズムの理解を促進する。
ダウンスケーリング操作により通信帯域幅が削減されるため、低周波はデータ表現における有用な情報の前提条件です。
本研究では,スペクトルロールオフポイント(SROP)を用いて低周波状態を統合し,有用な情報を推定することを提案する。
SROPの計算は、画像分類タスクにおいて必要となる回転不変性により、1次元信号から2次元画像に拡張される。
特徴マップ間のSROP統計は,階層的に有用な情報推定のために実装される。
正当性チェックは、モデル入力間のレイヤワイドSROP分布のばらつきが、モデル決定をサポートする有用なコンポーネントを認識するのに有効であることを示す。
さらに、モデルの有用な情報の基礎となるSROPと精度の変動は、様々なモデル構造において十分な訓練を行う際に同期する。
したがって、SROPは有用情報の正確かつ便利な推定法である。
周波数領域の知識に関する人工知能の説明性を促進する。
関連論文リスト
- Diffusion Model Based Visual Compensation Guidance and Visual Difference
Analysis for No-Reference Image Quality Assessment [82.13830107682232]
本稿では, 複雑な関係をモデル化する能力を示す, 最先端(SOTA)生成モデルを提案する。
生成した拡張画像とノイズを含む画像を利用する新しい拡散復元ネットワークを考案する。
2つの視覚評価枝は、得られた高レベル特徴情報を包括的に解析するように設計されている。
論文 参考訳（メタデータ） (2024-02-22T09:39:46Z) - Benchmarking Deep Learning Classifiers for SAR Automatic Target
Recognition [7.858656052565242]
本稿では,複数のSARデータセットを用いたSAR ATRの先進的な深層学習モデルを総合的にベンチマークする。
推論スループットと解析性能の観点から,分類精度のランタイム性能に関する5つの分類器の評価と比較を行った。
SAR ATRの領域では、すべてのモデルルールが疑わしいのです。
論文 参考訳（メタデータ） (2023-12-12T02:20:39Z) - Assessing Neural Network Representations During Training Using
Noise-Resilient Diffusion Spectral Entropy [55.014926694758195]
ニューラルネットワークにおけるエントロピーと相互情報は、学習プロセスに関する豊富な情報を提供する。
データ幾何を利用して基礎となる多様体にアクセスし、これらの情報理論測度を確実に計算する。
本研究は,高次元シミュレーションデータにおける固有次元と関係強度の耐雑音性の測定結果である。
論文 参考訳（メタデータ） (2023-12-04T01:32:42Z) - Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual
Recognition [57.08108545219043]
サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。
既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。
本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
論文 参考訳（メタデータ） (2023-05-12T00:13:17Z) - Adaptive Local-Component-aware Graph Convolutional Network for One-shot
Skeleton-based Action Recognition [54.23513799338309]
骨格に基づく行動認識のための適応的局所成分認識グラフ畳み込みネットワークを提案する。
我々の手法はグローバルな埋め込みよりも強力な表現を提供し、我々のモデルが最先端に到達するのに役立ちます。
論文 参考訳（メタデータ） (2022-09-21T02:33:07Z) - Entity-Conditioned Question Generation for Robust Attention Distribution
in Neural Information Retrieval [51.53892300802014]
教師付きニューラル情報検索モデルでは,通過トークンよりも疎注意パターンを学習することが困難であることを示す。
目的とする新しい合成データ生成手法を用いて、与えられた通路内の全てのエンティティに対して、より均一で堅牢な参加をニューラルIRに教える。
論文 参考訳（メタデータ） (2022-04-24T22:36:48Z) - Information-Theoretic Odometry Learning [83.36195426897768]
生体計測推定を目的とした学習動機付け手法のための統合情報理論フレームワークを提案する。
提案フレームワークは情報理論言語の性能評価と理解のためのエレガントなツールを提供する。
論文 参考訳（メタデータ） (2022-03-11T02:37:35Z) - A Feature Fusion-Net Using Deep Spatial Context Encoder and
Nonstationary Joint Statistical Model for High Resolution SAR Image
Classification [10.152675581771113]
HR SAR画像に対して, エンドツーエンドの教師付き分類法を提案する。
より効果的な空間特徴を抽出するために,新しい深部空間コンテキストエンコーダネットワーク(DSCEN)を提案する。
統計の多様性を高めるため、非定常連成統計モデル(NS-JSM)が採用され、グローバルな統計特性を形成する。
論文 参考訳（メタデータ） (2021-05-11T06:20:14Z) - Sparse Signal Models for Data Augmentation in Deep Learning ATR [0.8999056386710496]
ドメイン知識を取り入れ,データ集約学習アルゴリズムの一般化能力を向上させるためのデータ拡張手法を提案する。
本研究では,空間領域における散乱中心のスパース性とアジムタル領域における散乱係数の滑らかな変動構造を活かし,過パラメータモデルフィッティングの問題を解く。
論文 参考訳（メタデータ） (2020-12-16T21:46:33Z) - Explaining Deep Learning Models for Structured Data using Layer-Wise
Relevance Propagation [0.0]
LRP(Layer-wise Relevance)は、コンピュータビジョンにおける深層モデルのための確立された説明可能性技術であり、入力画像の直感的な可読熱マップを提供する。
本稿では,LIME(Local Interpretable Model-Agnostic Ex-planations)とSHAP(Shapley Additive Explanations)の従来の説明可能性概念よりも,LRPが有効であることを示す。
論文 参考訳（メタデータ） (2020-11-26T18:34:21Z) - Centimeter-Level Indoor Localization using Channel State Information
with Recurrent Neural Networks [12.193558591962754]
本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。
チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。
また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
論文 参考訳（メタデータ） (2020-02-04T17:10:18Z)
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。