論文の概要: LiftPool: Bidirectional ConvNet Pooling

• arxiv url: http://arxiv.org/abs/2104.00996v1
• Date: Fri, 2 Apr 2021 11:46:35 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-05 13:47:38.912900
• Title: LiftPool: Bidirectional ConvNet Pooling
• Title（参考訳）: LiftPool:双方向のConvNetプール
• Authors: Jiaojiao Zhao, Cees G.M. Snoek
• Abstract要約: We propose LiftPool for bidirectional pooling layer, including LiftDownPool and LiftUpPool。 LiftDownPoolは、機能マップをさまざまなダウンサイズサブバンドに分解し、それぞれに異なる周波数の情報が含まれています。 LiftUpPoolは、ディテールサブバンドを使用して洗練されたアップサンプル機能マップを生成することができる。
• 参考スコア（独自算出の注目度）: 42.03135523010722
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pooling is a critical operation in convolutional neural networks for increasing receptive fields and improving robustness to input variations. Most existing pooling operations downsample the feature maps, which is a lossy process. Moreover, they are not invertible: upsampling a downscaled feature map can not recover the lost information in the downsampling. By adopting the philosophy of the classical Lifting Scheme from signal processing, we propose LiftPool for bidirectional pooling layers, including LiftDownPool and LiftUpPool. LiftDownPool decomposes a feature map into various downsized sub-bands, each of which contains information with different frequencies. As the pooling function in LiftDownPool is perfectly invertible, by performing LiftDownPool backward, a corresponding up-pooling layer LiftUpPool is able to generate a refined upsampled feature map using the detail sub-bands, which is useful for image-to-image translation challenges. Experiments show the proposed methods achieve better results on image classification and semantic segmentation, using various backbones. Moreover, LiftDownPool offers better robustness to input corruptions and perturbations.
• Abstract（参考訳）: プールは、畳み込みニューラルネットワークにおいて、受容野を増加させ、入力変動に対するロバスト性を改善するために重要な操作である。 既存のプール操作のほとんどはフィーチャーマップをダウンサンプリングしています。 ダウンスケールしたフィーチャーマップをアップサンプリングしても、ダウンサンプリングで失われた情報を復元できない。 信号処理から古典的な昇降方式を採用することで,liftdownpool と liftuppool を含む双方向プーリング層に対して liftpool を提案する。 LiftDownPoolは、様々なダウンサイズのサブバンドにフィーチャーマップを分解する。 liftdownpoolのプーリング関数は完全に可逆であるため、liftdownpoolを後方に実行することで、対応するアッププール層liftuppoolは、詳細なサブバンドを使用して洗練されたアップサンプリングされたフィーチャマップを生成することができる。 実験により,様々なバックボーンを用いた画像分類と意味セグメンテーションの結果が得られた。 さらにliftdownpoolは、入力の腐敗や摂動に対してより堅牢性を提供します。

関連論文リスト

• Towards Flexible Interactive Reflection Removal with Human Guidance [75.38207315080624]
  単一の画像反射除去は本質的に不明瞭であり、分離を必要とする反射成分と透過成分の両方が自然な画像統計に従う可能性がある。 既存の手法では、様々な種類の低レベルおよび物理ベースのキューを反射信号の源として利用することでこの問題に対処しようとする。 本稿では,様々な形態のスパース・ヒューマン・ガイダンスを活用するフレキシブル・インタラクティブ・リフレクション・リフレクション・リフレクション・リフレクション・リジェクション・リジェクション・アプローチを提案する。
  論文  参考訳（メタデータ） (2024-06-03T17:34:37Z)
• Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
  本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
  論文  参考訳（メタデータ） (2022-05-31T07:23:42Z)
• LiftPool: Lifting-based Graph Pooling for Hierarchical Graph Representation Learning [53.176603566951016]
  階層グラフ表現を改善するために,リフトプール (LiftPool) と呼ばれるリフトによる3段階法を提案する。 各ノードを削除するために、そのローカル情報は、隣接する保存ノードから集約されたグローバル情報を減らして得られる。 ベンチマークグラフデータセットの評価では、LiftPoolはグラフ分類のタスクにおいて最先端のグラフプーリング手法を大幅に上回っている。
  論文  参考訳（メタデータ） (2022-04-27T12:38:02Z)
• Fuzzy Pooling [7.6146285961466]
  畳み込みニューラルネットワーク(英: Convolutional Neural Networks、CNN)は、一般的には畳み込みとプールという2つの操作に基づく人工知能システムである。 本稿では, (type-1) ファジィ集合に基づく新しいプール操作を提案し, 特徴写像の局所的精度に対処する。 公開データセットを用いた実験により,提案手法はCNNの分類性能を向上させることができることが示された。
  論文  参考訳（メタデータ） (2022-02-12T11:18:32Z)
• AdaPool: Exponential Adaptive Pooling for Information-Retaining Downsampling [82.08631594071656]
  畳み込み層は畳み込みニューラルネットワーク(CNN)の重要な構成要素である 適応的で指数関数的に重み付けされたアダプール法を提案する。 adaPoolは画像やビデオの分類やオブジェクト検出など,さまざまなタスクを通じて,ディテールの保存性の向上を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:50:37Z)
• Learnable Discrete Wavelet Pooling (LDW-Pooling) For Convolutional Networks [33.45407848136399]
  本稿では,標準的なプール操作を置き換えるために汎用的に適用可能なLDW-Pooling(Learning Discrete Wavelet Pooling)を提案する。 LDW-PoolingはWaveletPoolingやLiftPoolingといった他の最先端のプール技術と比較して効率的かつ効率的である。
  論文  参考訳（メタデータ） (2021-09-13T08:02:38Z)
• Refining activation downsampling with SoftPool [74.1840492087968]
  畳み込みニューラルネットワーク(cnns)は、アクティベーションマップのサイズを減らすためにプールを使用する。 指数重化アクティベーションダウンサンプリングの高速かつ効率的な方法であるSoftPoolを提案します。 SoftPoolは、アクティベーションマップの縮小でより多くの情報を保持できることを示します。
  論文  参考訳（メタデータ） (2021-01-02T12:09:49Z)

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。