論文の概要: Examining convolutional feature extraction using Maximum Entropy (ME)
and Signal-to-Noise Ratio (SNR) for image classification
- arxiv url: http://arxiv.org/abs/2105.04097v1
- Date: Mon, 10 May 2021 03:58:06 GMT
- ステータス: 処理完了
- システム内更新日: 2023-03-31 23:39:29.904773
- Title: Examining convolutional feature extraction using Maximum Entropy (ME)
and Signal-to-Noise Ratio (SNR) for image classification
- Title（参考訳）: 画像分類のための最大エントロピー(ME)と信号対雑音比(SNR)を用いた畳み込み特徴抽出の検討
- Authors: Nidhi Gowdra, Roopak Sinha and Stephen MacDonell
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、関数マッピングよりも特徴抽出を専門とする。
本稿では,最大エントロピー(ME)と信号対雑音比(SNR)を用いたCNNの特徴抽出機能について検討する。
CNNの分類精度や性能は、入力データに存在する信号情報の量、複雑さ、品質に大きく依存していることを示す。
- 参考スコア（独自算出の注目度）: 0.6875312133832078
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Convolutional Neural Networks (CNNs) specialize in feature extraction rather
than function mapping. In doing so they form complex internal hierarchical
feature representations, the complexity of which gradually increases with a
corresponding increment in neural network depth. In this paper, we examine the
feature extraction capabilities of CNNs using Maximum Entropy (ME) and
Signal-to-Noise Ratio (SNR) to validate the idea that, CNN models should be
tailored for a given task and complexity of the input data. SNR and ME measures
are used as they can accurately determine in the input dataset, the relative
amount of signal information to the random noise and the maximum amount of
information respectively. We use two well known benchmarking datasets, MNIST
and CIFAR-10 to examine the information extraction and abstraction capabilities
of CNNs. Through our experiments, we examine convolutional feature extraction
and abstraction capabilities in CNNs and show that the classification accuracy
or performance of CNNs is greatly dependent on the amount, complexity and
quality of the signal information present in the input data. Furthermore, we
show the effect of information overflow and underflow on CNN classification
accuracies. Our hypothesis is that the feature extraction and abstraction
capabilities of convolutional layers are limited and therefore, CNN models
should be tailored to the input data by using appropriately sized CNNs based on
the SNR and ME measures of the input dataset.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(cnns)は機能マッピングよりも特徴抽出を専門とする。
これにより、複雑な内部階層的特徴表現が形成され、その複雑さはニューラルネットワークの深さの増加とともに徐々に増加する。
本稿では,最大エントロピー(ME)とSNR(Signal-to-Noise Ratio)を用いたCNNの特徴抽出機能について検討し,CNNモデルが与えられたタスクや入力データの複雑さに合わせて調整されるべきであることを示す。
SNRとMEは、入力データセット、ランダムノイズに対する信号情報の相対量、および最大情報量のそれぞれを正確に決定できるため、使用される。
我々は、CNNの情報抽出と抽象化能力を調べるために、MNISTとCIFAR-10の2つのよく知られたベンチマークデータセットを使用する。
本研究では,CNNにおける畳み込み特徴抽出と抽象化機能について検討し,CNNの分類精度や性能が入力データに含まれる信号情報の量,複雑さ,品質に大きく依存していることを示す。
さらに,情報オーバーフローとアンダーフローがCNN分類精度に及ぼす影響を示す。
我々の仮説は、畳み込み層の特徴抽出と抽象化能力は限られているため、CNNモデルは入力データセットのSNRおよびME尺度に基づいて適切な大きさのCNNを用いて入力データに合わせて調整されるべきである。
関連論文リスト
- Fuzzy Convolution Neural Networks for Tabular Data Classification [0.0]
畳み込みニューラルネットワーク(CNN)は、様々な領域における顕著な性能のために、多くの注目を集めている。
本稿では,表データに適したファジィ畳み込みニューラルネットワーク(FCNN)を提案する。
論文 参考訳（メタデータ） (2024-06-04T20:33:35Z) - Application of Tensorized Neural Networks for Cloud Classification [0.0]
畳み込みニューラルネットワーク(CNN)は、天気予報、コンピュータビジョン、自律運転、医療画像解析など、さまざまな分野で広く利用されている。
しかし、これらの領域におけるCNNの実装と商業化は、モデルのサイズ、過度な適合、計算時間に関連する課題によって妨げられている。
モデルサイズと計算時間を削減するため,CNN内の高密度層をテンソル化することによる画期的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-03-21T06:28:22Z) - 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) - FFEINR: Flow Feature-Enhanced Implicit Neural Representation for
Spatio-temporal Super-Resolution [4.577685231084759]
本稿では,フローフィールドデータの超高分解能化のための特徴強調型ニューラルインシシット表現(FFEINR)を提案する。
モデル構造とサンプリング分解能の観点から、暗黙のニューラル表現を最大限に活用することができる。
FFEINRのトレーニングプロセスは、入力層に機能拡張を導入することで容易になる。
論文 参考訳（メタデータ） (2023-08-24T02:28:18Z) - Attention-based Feature Compression for CNN Inference Offloading in Edge
Computing [93.67044879636093]
本稿では,デバイスエッジ共振器におけるCNN推論の計算負荷について検討する。
エンドデバイスにおける効率的な特徴抽出のための新しいオートエンコーダベースのCNNアーキテクチャ(AECNN)を提案する。
実験の結果、AECNNは中間データを約4%の精度で256倍圧縮できることがわかった。
論文 参考訳（メタデータ） (2022-11-24T18:10:01Z) - What Can Be Learnt With Wide Convolutional Neural Networks? [69.55323565255631]
カーネルシステムにおける無限大の深層CNNについて検討する。
我々は,深部CNNが対象関数の空間スケールに適応していることを証明する。
我々は、別の深部CNNの出力に基づいて訓練された深部CNNの一般化誤差を計算して結論付ける。
論文 参考訳（メタデータ） (2022-08-01T17:19:32Z) - Neural Implicit Dictionary via Mixture-of-Expert Training [111.08941206369508]
ニューラルインシシット辞書(NID)を学習することで、データとトレーニング効率の両方を達成する汎用INRフレームワークを提案する。
我々のNIDは、所望の関数空間にまたがるように調整された座標ベースのImpworksのグループを組み立てる。
実験の結果,NIDは最大98%の入力データで2次元画像や3次元シーンの再現を2桁高速化できることがわかった。
論文 参考訳（メタデータ） (2022-07-08T05:07:19Z) - Lost Vibration Test Data Recovery Using Convolutional Neural Network: A
Case Study [0.0]
本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。
3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。
畳み込み層を追加することによりモデルの精度が向上した。
論文 参考訳（メタデータ） (2022-04-11T23:24:03Z) - An Analysis of Complex-Valued CNNs for RF Data-Driven Wireless Device
Classification [12.810432378755904]
最近のディープニューラルネットワークに基づくデバイス分類研究は、複素数値ニューラルネットワーク(CVNN)が実数値ニューラルネットワーク(RVNN)よりも高い分類精度が得られることを示している。
本研究は、実際のLoRaおよびWiFi RFデータセットを用いて、この傾向についてより深く理解する。
論文 参考訳（メタデータ） (2022-02-20T10:35:20Z) - Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。
我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。
私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文 参考訳（メタデータ） (2020-11-17T12:52:18Z) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳（メタデータ） (2020-03-03T07:27:44Z)
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。