論文の概要: Orientation Convolutional Networks for Image Recognition

• arxiv url: http://arxiv.org/abs/2102.01523v1
• Date: Tue, 2 Feb 2021 14:49:40 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-04 04:43:41.865336
• Title: Orientation Convolutional Networks for Image Recognition
• Title（参考訳）: 画像認識のための方向畳み込みネットワーク
• Authors: Yalan Qin, Guorui Feng, Hanzhou Wu, Yanli Ren and Xinpeng Zhang
• Abstract要約: 提案したLandmark Gabor Filters(LGF)に基づく画像認識のためのOCN(Orientation Convolution Networks)を開発した。 OCNは既存のディープラーニングネットワークと互換性がある。
• 参考スコア（独自算出の注目度）: 23.41238299693874
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Deep Convolutional Neural Networks (DCNNs) are capable of obtaining powerful image representations, which have attracted great attentions in image recognition. However, they are limited in modeling orientation transformation by the internal mechanism. In this paper, we develop Orientation Convolution Networks (OCNs) for image recognition based on the proposed Landmark Gabor Filters (LGFs) that the robustness of the learned representation against changed of orientation can be enhanced. By modulating the convolutional filter with LGFs, OCNs can be compatible with any existing deep learning networks. LGFs act as a Gabor filter bank achieved by selecting $ p $ $ \left( \ll n\right) $ representative Gabor filters as andmarks and express the original Gabor filters as sparse linear combinations of these landmarks. Specifically, based on a matrix factorization framework, a flexible integration for the local and the global structure of original Gabor filters by sparsity and low-rank constraints is utilized. With the propogation of the low-rank structure, the corresponding sparsity for representation of original Gabor filter bank can be significantly promoted. Experimental results over several benchmarks demonstrate that our method is less sensitive to the orientation and produce higher performance both in accuracy and cost, compared with the existing state-of-art methods. Besides, our OCNs have few parameters to learn and can significantly reduce the complexity of training network.
• Abstract（参考訳）: ディープ畳み込みニューラルネットワーク(DCNN)は強力な画像表現を得ることができ、画像認識に大きな注目を集めている。 しかし、それらは内部機構による方向変換のモデリングに制限がある。 本稿では,提案したLandmark Gabor Filters (LGFs) に基づく画像認識のためのOCN(Orientation Convolution Networks)を開発し,学習表現の方向性変化に対する堅牢性を向上させる。 畳み込みフィルタをLGFで変調することにより、OCNは既存のディープラーニングネットワークと互換性を持つことができる。 LGF は Gabor フィルタバンクとして機能し、$ p $ \left( \ll n\right) $ 代表 Gabor フィルタをandmarks として選択し、元の Gabor フィルタをこれらのランドマークの疎線型結合として表現する。 具体的には、行列ファクタリゼーションフレームワークに基づいて、スパース性および低ランク制約によるオリジナルのGaborフィルタのローカルおよびグローバル構造に対する柔軟な統合が利用される。 低ランク構造の伝播により、元のGaborフィルタバンクの表現に対応する空間を著しく促進することができる。 いくつかのベンチマークによる実験結果から,本手法はオリエンテーションに対する感度が低く,従来手法に比べて精度とコストが向上することが示された。 さらに、OCNには学習するパラメータがほとんどなく、トレーニングネットワークの複雑さを大幅に削減できます。

関連論文リスト

• ASWT-SGNN: Adaptive Spectral Wavelet Transform-based Self-Supervised Graph Neural Network [20.924559944655392]
  本稿では,適応スペクトルウェーブレット変換を用いた自己教師付きグラフニューラルネットワーク(ASWT-SGNN)を提案する。 ASWT-SGNNは高密度スペクトル領域におけるフィルタ関数を正確に近似し、コストの高い固有分解を避ける。 ノード分類タスクにおける最先端モデルに匹敵するパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2023-12-10T03:07:42Z)
• In-Domain GAN Inversion for Faithful Reconstruction and Editability [132.68255553099834]
  ドメイン誘導型ドメイン正規化とエンコーダで構成されたドメイン内GANインバージョンを提案し、事前学習されたGANモデルのネイティブ潜在空間における反転コードを正規化する。 エンコーダ構造,開始反転点,および逆パラメータ空間の効果を総合的に解析し,再構成品質と編集特性とのトレードオフを観察する。
  論文  参考訳（メタデータ） (2023-09-25T08:42:06Z)
• Mechanism of feature learning in convolutional neural networks [14.612673151889615]
  我々は、畳み込みニューラルネットワークが画像データからどのように学習するかのメカニズムを特定する。 我々は,フィルタの共分散とパッチベースAGOPの相関関係の同定を含む,アンザッツの実証的証拠を提示する。 次に、パッチベースのAGOPを用いて、畳み込みカーネルマシンの深い特徴学習を可能にすることにより、結果の汎用性を実証する。
  論文  参考訳（メタデータ） (2023-09-01T16:30:02Z)
• Gabor is Enough: Interpretable Deep Denoising with a Gabor Synthesis Dictionary Prior [6.297103076360578]
  ガバーライクなフィルタはCNN分類器の初期層や低レベルの画像処理ネットワークで観測されている。 本研究では,自然像のCNNのフィルタを2次元実ガボルフィルタで学習するために,この観察を極端かつ明示的に制限する。 提案したネットワーク(GDLNet)は,一般的な完全畳み込みニューラルネットワークにおいて,最先端のデノゲーション性能を実現することができる。
  論文  参考訳（メタデータ） (2022-04-23T22:21:54Z)
• Graph Neural Networks with Adaptive Frequency Response Filter [55.626174910206046]
  適応周波数応答フィルタを用いたグラフニューラルネットワークフレームワークAdaGNNを開発した。 提案手法の有効性を,様々なベンチマークデータセット上で実証的に検証した。
  論文  参考訳（メタデータ） (2021-04-26T19:31:21Z)
• Self-grouping Convolutional Neural Networks [30.732298624941738]
  本稿では,SG-CNNと呼ばれる自己グループ型畳み込みニューラルネットワークの設計手法を提案する。 各フィルタについて、まず入力チャネルの重要度を評価し、重要度ベクトルを同定する。 得られたデータに依存したセントロイドを用いて、重要でない接続を創り出し、プルーニングの精度損失を暗黙的に最小化する。
  論文  参考訳（メタデータ） (2020-09-29T06:24:32Z)
• Dependency Aware Filter Pruning [74.69495455411987]
  重要でないフィルタを割ることは、推論コストを軽減するための効率的な方法である。 以前の作業は、その重み基準やそれに対応するバッチノームスケーリング要因に従ってフィルタをプルークする。 所望の空間性を達成するために,空間性誘導正規化を動的に制御する機構を提案する。
  論文  参考訳（メタデータ） (2020-05-06T07:41:22Z)
• Gradient Centralization: A New Optimization Technique for Deep Neural Networks [74.935141515523]
  勾配集中(GC)は、勾配ベクトルをゼロ平均とする集中化によって、勾配を直接操作する。 GCは、制約された損失関数を持つ射影勾配降下法とみなすことができる。 GCは実装が非常に簡単で、1行のコードだけで既存のグラデーションベースのDNNに簡単に組み込める。
  論文  参考訳（メタデータ） (2020-04-03T10:25:00Z)
• Computational optimization of convolutional neural networks using separated filters architecture [69.73393478582027]
  我々は、計算複雑性を低減し、ニューラルネットワーク処理を高速化する畳み込みニューラルネットワーク変換を考える。 畳み込みニューラルネットワーク(CNN)の使用は、計算的に要求が多すぎるにもかかわらず、画像認識の標準的なアプローチである。
  論文  参考訳（メタデータ） (2020-02-18T17:42:13Z)
• Gabor Convolutional Networks [103.87356592690669]
  我々は、Gaborフィルタをディープ畳み込みニューラルネットワーク(DCNN)に組み込む、GCN(Gabor Convolutional Networks)と呼ばれる新しいディープモデルを提案する。 GCNは簡単に実装でき、一般的なディープラーニングアーキテクチャと互換性がある。 実験により,物体認識におけるアルゴリズムの超能力を示す。
  論文  参考訳（メタデータ） (2017-05-03T14:37:55Z)

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。