論文の概要: How Convolutional Neural Networks Deal with Aliasing

• arxiv url: http://arxiv.org/abs/2102.07757v1
• Date: Mon, 15 Feb 2021 18:52:47 GMT
• ステータス: 処理完了
• システム内更新日: 2021-02-16 16:58:05.901130
• Title: How Convolutional Neural Networks Deal with Aliasing
• Title（参考訳）: 畳み込みニューラルネットワークがエイリアスを扱う方法
• Authors: Ant\^onio H. Ribeiro and Thomas B. Sch\"on
• Abstract要約: 画像分類器cnnは、原則としてアンチエイリアスフィルタを実装できるが、中間層でエイリアスが発生するのを防げないことを示す。 まず,入力時の発振を識別するCNNの能力を評価し,中間チャネルの冗長性がタスクの成功に重要な役割を担っていることを示す。 第2に、画像分類器CNNは、原則として、アンチエイリアスフィルタを実装することができるが、中間層でエイリアスを行うのを妨げないことを示す。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The convolutional neural network (CNN) remains an essential tool in solving computer vision problems. Standard convolutional architectures consist of stacked layers of operations that progressively downscale the image. Aliasing is a well-known side-effect of downsampling that may take place: it causes high-frequency components of the original signal to become indistinguishable from its low-frequency components. While downsampling takes place in the max-pooling layers or in the strided-convolutions in these models, there is no explicit mechanism that prevents aliasing from taking place in these layers. Due to the impressive performance of these models, it is natural to suspect that they, somehow, implicitly deal with this distortion. The question we aim to answer in this paper is simply: "how and to what extent do CNNs counteract aliasing?" We explore the question by means of two examples: In the first, we assess the CNNs capability of distinguishing oscillations at the input, showing that the redundancies in the intermediate channels play an important role in succeeding at the task; In the second, we show that an image classifier CNN while, in principle, capable of implementing anti-aliasing filters, does not prevent aliasing from taking place in the intermediate layers.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(cnn)は、コンピュータビジョン問題を解決する上で不可欠なツールである。 標準的な畳み込みアーキテクチャは、画像を徐々にダウンスケールする操作の積み重ねられた層で構成される。 エイリアシングはダウンサンプリングの副作用としてよく知られており、元の信号の高周波成分が低周波成分と区別不能になる。 ダウンサンプリングは、マックスプール層またはこれらのモデルにおけるストラジド畳み込み層で行われますが、これらの層でエイリアスが発生するのを防ぐ明確なメカニズムはありません。 これらのモデルの印象的な性能のため、この歪みに暗黙的に対処していると疑うのは当然である。 この論文で私たちが目指す質問は、単に「CNNはどのようにしてどの程度エイリアスに対抗しますか? 第1に,中間チャネルの冗長性がタスクを成功させる上で重要な役割を担っていることを示すとともに,第2に,画像分類器CNNが,原則としてアンチエイリアスフィルタを実装している場合,中間層でのエイリアスの発生を防止できないことを示す。

関連論文リスト

• Distance Weighted Trans Network for Image Completion [52.318730994423106]
  本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。 CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。 DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
  論文  参考訳（メタデータ） (2023-10-11T12:46:11Z)
• Aliasing is a Driver of Adversarial Attacks [35.262520934751]
  本稿では, 対向摂動の存在は, ニューラルネットワークのエイリアスに起因しているという仮説を考察する。 我々の最終的な目標は、説明可能な非訓練型構造変化のみを用いて、敵攻撃に対する堅牢性を高めることである。 実験の結果,抗エイリアスと対人攻撃の関連性は良好であった。
  論文  参考訳（メタデータ） (2022-12-22T14:52:44Z)
• FrequencyLowCut Pooling -- Plug & Play against Catastrophic Overfitting [12.062691258844628]
  本稿では,任意のCNNアーキテクチャに簡単に接続可能な,自由なダウンサンプリング操作を提案する。 実験の結果,単純かつ高速なFGSM逆行訓練と組み合わせることで,超パラメータフリー演算子がモデルロバスト性を大幅に向上することがわかった。
  論文  参考訳（メタデータ） (2022-04-01T14:51:28Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• Discriminator-Free Generative Adversarial Attack [87.71852388383242]
  生成的ベースの敵攻撃は、この制限を取り除くことができる。 ASymmetric Saliency-based Auto-Encoder (SSAE) は摂動を生成する。 SSAEが生成した敵の例は、広く使われているモデルを崩壊させるだけでなく、優れた視覚的品質を実現する。
  論文  参考訳（メタデータ） (2021-07-20T01:55:21Z)
• Image Restoration by Deep Projected GSURE [115.57142046076164]
  Ill-posed inverse problem は、デブロアリングや超解像など、多くの画像処理アプリケーションに現れる。 本稿では,一般化されたSteinUnbiased Risk Estimator(GSURE)の「投影変換」とCNNによる潜在画像のパラメータ化を含む損失関数の最小化に基づく,新たな画像復元フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-02-04T08:52:46Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Counterfactual Generative Networks [59.080843365828756]
  画像生成過程を直接監督せずに訓練する独立した因果機構に分解することを提案する。 適切な誘導バイアスを活用することによって、これらのメカニズムは物体の形状、物体の質感、背景を解き放つ。 その結果, 偽画像は, 元の分類タスクにおける性能の低下を伴い, 分散性が向上することが示された。
  論文  参考訳（メタデータ） (2021-01-15T10:23:12Z)
• Noise-Equipped Convolutional Neural Networks [15.297063646935078]
  Convolutional Neural Network (CNN)は、画像合成および翻訳タスクに広く採用されています。 CNNモデルにフラットな入力が与えられると、畳み込みカーネルの空間的共有性により、変換はスケール操作に分解される。
  論文  参考訳（メタデータ） (2020-12-09T09:01:45Z)
• When to Use Convolutional Neural Networks for Inverse Problems [40.60063929073102]
  本稿では,畳み込みニューラルネットワークを,畳み込みスパース符号問題に対する近似解とみなすことができることを示す。 ある種の逆問題に対して、CNN近似は性能の低下につながると論じる。 具体的には、JPEGアーチファクトの低減と非剛性軌道再構成をCNNの逆問題として同定する。
  論文  参考訳（メタデータ） (2020-03-30T21:08:14Z)
• Fixed smooth convolutional layer for avoiding checkerboard artifacts in CNNs [20.242221018089715]
  畳み込みニューラルネットワーク(CNN)におけるチェッカーボードアーティファクトを回避するために,スムーズな順序の固定畳み込み層を提案する。 提案した層は、ストライドされた畳み込み層や、転置された畳み込み層を含むアップサンプリング層に起因するチェッカーボードのアーティファクトを完全に防止することができる。 固定層は、初めて生成敵ネットワーク(GAN)に適用される。
  論文  参考訳（メタデータ） (2020-02-06T06:36:45Z)

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。