論文の概要: Analysis of convolutional neural network image classifiers in a
hierarchical max-pooling model with additional local pooling
- arxiv url: http://arxiv.org/abs/2106.05233v1
- Date: Mon, 31 May 2021 16:08:00 GMT
- ステータス: 処理完了
- システム内更新日: 2021-06-13 14:02:50.343131
- Title: Analysis of convolutional neural network image classifiers in a
hierarchical max-pooling model with additional local pooling
- Title(参考訳): 局所プールを付加した階層型最大プールモデルにおける畳み込みニューラルネットワーク画像分類器の解析
- Authors: Benjamin Walter
- Abstract要約: 画像分類を考慮し,局所プールを付加した階層的最大プールモデルを提案する。
追加の局所プーリングにより、階層モデルは、異なる相対距離を持つ画像の一部を互いに結合することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Image classification is considered, and a hierarchical max-pooling model with
additional local pooling is introduced. Here the additional local pooling
enables the hierachical model to combine parts of the image which have a
variable relative distance towards each other. Various convolutional neural
network image classifiers are introduced and compared in view of their rate of
convergence. The finite sample size performance of the estimates is analyzed by
applying them to simulated and real data.
- Abstract(参考訳): 画像分類を考慮し,局所プールを付加した階層的最大プールモデルを提案する。
ここで、追加の局所プーリングにより、階層モデルは、互いに異なる相対距離を持つ画像の一部を組み合わせることができる。
様々な畳み込みニューラルネットワーク画像分類器を導入し、その収束率の観点から比較する。
シミュレーションおよび実データに適用することにより、推定値の有限サンプルサイズ性能を解析する。
関連論文リスト
- Analyzing Neural Network-Based Generative Diffusion Models through
Convex Optimization [54.01594785269913]
拡散モデルは画像、ビデオ、オーディオ生成に広く使われている。
スコアベース拡散モデルでは,入力データ分布のスコア関数を推定する必要がある。
この研究は、ニューラルネットワークベースの拡散モデルが漸近的でない環境で何を学ぶかを理解するのに寄与する。
論文 参考訳(メタデータ) (2024-02-03T00:20:25Z) - The Hidden Linear Structure in Score-Based Models and its Application [2.1756081703276]
十分に訓練された拡散モデルでは、高雑音スケールでの学習スコアはガウスの線形スコアによってよく近似されることを示す。
スコアベースモデルにおける線形構造の発見は、より良いモデル設計とデータ前処理に影響を及ぼす。
論文 参考訳(メタデータ) (2023-11-17T22:25:07Z) - Multilayer Multiset Neuronal Networks -- MMNNs [55.2480439325792]
本研究は,2層以上の類似性ニューロンを組み込んだ多層神経回路網について述べる。
また,回避すべき画像領域に割り当てられる反プロトタイプ点の利用についても検討した。
論文 参考訳(メタデータ) (2023-08-28T12:55:13Z) - Distributed Bayesian Learning of Dynamic States [65.7870637855531]
提案アルゴリズムは有限状態隠れマルコフモデルに対する分散ベイズフィルタタスクである。
逐次状態推定や、動的環境下でのソーシャルネットワーク上での意見形成のモデル化に使用できる。
論文 参考訳(メタデータ) (2022-12-05T19:40:17Z) - Similarity of Neural Architectures using Adversarial Attack
Transferability [50.50231315195932]
ニューラルネットワーク間の定量的かつスケーラブルな類似度尺度を設計する。
我々は69の最先端画像ネット分類器を大規模に解析する。
我々の結果は、異なるコンポーネントを持つ多様なニューラルアーキテクチャの開発がなぜ必要かについての洞察を提供する。
論文 参考訳(メタデータ) (2022-10-20T16:56:47Z) - Analysis of convolutional neural network image classifiers in a
rotationally symmetric model [4.56877715768796]
最適誤分類リスクに対する推定の誤分類リスクの収束率を分析する。
畳み込みニューラルネットワークに基づく最小二乗プラグイン分類器は、二元画像分類における次元性の呪いを回避できることが示されている。
論文 参考訳(メタデータ) (2022-05-11T13:43:13Z) - 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) - Image Inpainting Using Wasserstein Generative Adversarial Imputation
Network [0.0]
本稿では,Wasserstein Generative Adversarial Imputation Networkに基づく画像インペイントモデルを提案する。
普遍計算モデルは、十分な品質で欠落の様々なシナリオを扱うことができる。
論文 参考訳(メタデータ) (2021-06-23T05:55:07Z) - Out-of-distribution Generalization via Partial Feature Decorrelation [72.96261704851683]
本稿では,特徴分解ネットワークと対象画像分類モデルとを協調的に最適化する,PFDL(Partial Feature Deorrelation Learning)アルゴリズムを提案する。
実世界のデータセットを用いた実験により,OOD画像分類データセットにおけるバックボーンモデルの精度が向上することを示した。
論文 参考訳(メタデータ) (2020-07-30T05:48:48Z) - Set Based Stochastic Subsampling [85.5331107565578]
本稿では,2段階間ニューラルサブサンプリングモデルを提案する。
画像分類,画像再構成,機能再構築,少数ショット分類など,様々なタスクにおいて,低いサブサンプリング率で関連ベースラインを上回っていることを示す。
論文 参考訳(メタデータ) (2020-06-25T07:36:47Z) - On the rate of convergence of image classifiers based on convolutional
neural networks [0.0]
最適誤分類リスクに対する推定の誤分類リスクの収束率を分析する。
これは、画像分類において畳み込みニューラルネットワークによる次元の呪いを回避できることを証明している。
論文 参考訳(メタデータ) (2020-03-03T14:24:24Z)
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。