論文の概要: FILTRA: Rethinking Steerable CNN by Filter Transform

• arxiv url: http://arxiv.org/abs/2105.11636v1
• Date: Tue, 25 May 2021 03:32:34 GMT
• ステータス: 処理完了
• システム内更新日: 2021-05-27 03:55:03.315448
• Title: FILTRA: Rethinking Steerable CNN by Filter Transform
• Title（参考訳）: FILTRA:フィルタ変換によるステアブルCNNの再検討
• Authors: Bo Li, Qili Wang, Gim Hee Lee
• Abstract要約: 操舵可能なCNNの問題は群表現論の側面から研究されている。 フィルタ変換によって構築されたカーネルは群表現論でも解釈可能であることを示す。 この解釈は、ステアブルCNN理論のパズルを完成させ、ステアブル畳み込み演算子を実装するための、新しく簡単なアプローチを提供する。
• 参考スコア（独自算出の注目度）: 59.412570807426135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Steerable CNN imposes the prior knowledge of transformation invariance or equivariance in the network architecture to enhance the the network robustness on geometry transformation of data and reduce overfitting. It has been an intuitive and widely used technique to construct a steerable filter by augmenting a filter with its transformed copies in the past decades, which is named as filter transform in this paper. Recently, the problem of steerable CNN has been studied from aspect of group representation theory, which reveals the function space structure of a steerable kernel function. However, it is not yet clear on how this theory is related to the filter transform technique. In this paper, we show that kernel constructed by filter transform can also be interpreted in the group representation theory. This interpretation help complete the puzzle of steerable CNN theory and provides a novel and simple approach to implement steerable convolution operators. Experiments are executed on multiple datasets to verify the feasibility of the proposed approach.
• Abstract（参考訳）: ステアブルcnnは、データの幾何変換におけるネットワークロバスト性を高め、過剰フィッティングを減らすために、ネットワークアーキテクチャにおける変換不変性や等分散の事前知識を課す。 この手法は,過去数十年間,フィルタに変換されたコピーを付加してステアブルフィルタを構築するための直感的かつ広く用いられている手法であり,フィルタ変換と呼ばれる。 近年, 操舵可能なカーネル関数の関数空間構造を明らかにするグループ表現論の側面から, 操舵可能なCNNの問題が研究されている。 しかし、この理論がフィルタ変換技術とどのように関係しているかは、まだ明らかではない。 本稿では,フィルタ変換によって構成されるカーネルが群表現理論でも解釈可能であることを示す。 この解釈は、ステアブルCNN理論のパズルを完成させ、ステアブル畳み込み演算子を実装するための新しく簡単なアプローチを提供する。 複数のデータセット上で実験を行い、提案手法の有効性を検証する。

関連論文リスト

• Rotation-Scale Equivariant Steerable Filters [1.213915839836187]
  生検組織のデジタル組織像は、任意の向きと倍率で撮影でき、異なる解像度で保存できる。 本稿では、ステアブルフィルタとスケール空間理論を組み込んだ回転スケール可変フィルタ(RSESF)を提案する。 我々の手法は他の手法よりも優れており、トレーニング可能なパラメータは少なく、GPUリソースも少ない。
  論文  参考訳（メタデータ） (2023-04-10T14:13:56Z)
• A Continuous Convolutional Trainable Filter for Modelling Unstructured Data [0.0]
  トレーニング可能な畳み込みフィルタの連続バージョンを提案する。 実験の結果,連続フィルタは最先端の離散フィルタに匹敵する精度を達成できることがわかった。
  論文  参考訳（メタデータ） (2022-10-24T17:34:10Z)
• Understanding the Covariance Structure of Convolutional Filters [86.0964031294896]
  最近では、ConvMixerやConvNeXtのようなViTにインスパイアされた畳み込みネットワークは、注目すべき構造を持つ大カーネル深度畳み込みを使用している。 まず,このような学習フィルタの共分散行列が高度に構造化されていることを観測し,より大規模なネットワークを効果的に初期化するために,小さなネットワークから計算した共分散が用いられることを発見した。
  論文  参考訳（メタデータ） (2022-10-07T15:59:13Z)
• Batch Normalization Tells You Which Filter is Important [49.903610684578716]
  我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。 CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
  論文  参考訳（メタデータ） (2021-12-02T12:04:59Z)
• Implicit Equivariance in Convolutional Networks [1.911678487931003]
  IEN(Implicitly Equivariant Networks)は標準CNNモデルの異なる層で同変を誘導する。 IENは、高速な推論速度を提供しながら、最先端の回転同変追跡法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2021-11-28T14:44:17Z)
• 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)
• DeConFuse : A Deep Convolutional Transform based Unsupervised Fusion Framework [29.58965424136611]
  本研究では、深層畳み込み変換学習に基づく教師なし融合フレームワークを提案する。 ストック予測とトレーディングの問題に対して,提案手法であるDeConFuseを適用した。
  論文  参考訳（メタデータ） (2020-11-09T11:04:09Z)
• Filter Grafting for Deep Neural Networks: Reason, Method, and Cultivation [86.91324735966766]
  フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである 本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。 我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
  論文  参考訳（メタデータ） (2020-04-26T08:36:26Z)
• Dense Steerable Filter CNNs for Exploiting Rotational Symmetry in Histology Images [3.053417311299492]
  組織像は本質的に回転下で対称であり、それぞれの方向が等しく現れる。 Dense Steerable Filter CNN (DSF-CNNs) は、密結合されたフレームワークにおいて、各フィルタの複数の回転コピーを持つグループ畳み込みを使用する。 そこで本研究では,DSF-CNNが3つの異なる課題に適用した場合に,パラメータを著しく少なく,最先端の性能を実現することを示す。
  論文  参考訳（メタデータ） (2020-04-06T23:12:31Z)
• 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)

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。