論文の概要: A Random CNN Sees Objects: One Inductive Bias of CNN and Its Applications

• arxiv url: http://arxiv.org/abs/2106.09259v1
• Date: Thu, 17 Jun 2021 06:07:49 GMT
• ステータス: 処理完了
• システム内更新日: 2021-06-18 16:12:11.861596
• Title: A Random CNN Sees Objects: One Inductive Bias of CNN and Its Applications
• Title（参考訳）: オブジェクトを見ているランダムCNN:CNNのインダクティブバイアスとその応用
• Authors: Yun-Hao Cao and Jianxin Wu
• Abstract要約: 実験の結果,提案したTobiasは,特に物体検出において,下流タスクを大幅に改善することがわかった。 また,Tobiasは異なるサイズのトレーニングセットに対して一貫した改良を施しており,画像強化の変化に対してより耐性が高いことを示す。
• 参考スコア（独自算出の注目度）: 30.809693803413445
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper starts by revealing a surprising finding: without any learning, a randomly initialized CNN can localize objects surprisingly well. That is, a CNN has an inductive bias to naturally focus on objects, named as Tobias (``The object is at sight'') in this paper. This empirical inductive bias is further analyzed and successfully applied to self-supervised learning. A CNN is encouraged to learn representations that focus on the foreground object, by transforming every image into various versions with different backgrounds, where the foreground and background separation is guided by Tobias. Experimental results show that the proposed Tobias significantly improves downstream tasks, especially for object detection. This paper also shows that Tobias has consistent improvements on training sets of different sizes, and is more resilient to changes in image augmentations. Our codes will be available at https://github.com/CupidJay/Tobias.
• Abstract（参考訳）: ランダムに初期化されたCNNは、驚くべきことにオブジェクトをローカライズすることができる。 すなわち、CNNは、この論文でTobias (`The object is at sight')という名前のオブジェクトに自然にフォーカスする誘導バイアスを持つ。 この経験的帰納バイアスはさらに分析され、自己教師あり学習に適用される。 cnnは、前景と背景の分離がtobiasによって導かれる異なる背景を持つ様々なバージョンに、全ての画像を変換することで、前景オブジェクトに焦点を当てた表現を学ぶことを奨励される。 実験の結果,提案したTobiasは,特に物体検出において,下流タスクを大幅に改善することがわかった。 また,Tobiasは異なるサイズのトレーニングセットに対して一貫した改良を施しており,画像強化の変化に対してより耐性が高いことを示す。 私たちのコードはhttps://github.com/cupidjay/tobiasで利用可能です。

関連論文リスト

• A Neurosymbolic Framework for Bias Correction in Convolutional Neural Networks [2.249916681499244]
  我々は、訓練されたCNNにおいて、バイアス補正のためのNeSyBiCorと呼ばれるニューロシンボリックフレームワークを導入する。 我々のフレームワークは、"Places"データセットのサブセットでトレーニングされたCNNのバイアスを修正することに成功した。
  論文  参考訳（メタデータ） (2024-05-24T19:09:53Z)
• 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)
• Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
  畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。 CNNが予測をしながら色情報に大きく依存していることを実証します。 congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-12T22:55:06Z)
• A CNN-based Feature Space for Semi-supervised Incremental Learning in Assisted Living Applications [2.1485350418225244]
  トレーニングデータセットから得られた特徴空間を用いて、問題のある画像を自動的にラベル付けする。 その結果、半教師付き漸進的な学習プロセスにより、新しいインスタンスの分類精度を40%向上させることができる。
  論文  参考訳（メタデータ） (2020-11-11T12:31:48Z)
• SUREMap: Predicting Uncertainty in CNN-based Image Reconstruction Using Stein's Unbiased Risk Estimate [51.67813146731196]
  畳み込みニューラルネットワーク(CNN)は、コンピュータ画像再構成問題を解決する強力なツールとして登場した。 CNNはブラックボックスを理解するのが難しい。 この制限は、医療画像のような安全クリティカルな用途での利用にとって大きな障壁となる。
  論文  参考訳（メタデータ） (2020-10-25T20:29:41Z)
• Shape Defense Against Adversarial Attacks [47.64219291655723]
  人間は物体を認識するために形状情報に大きく依存している。逆に、畳み込みニューラルネットワーク(CNN)はテクスチャに偏っている。 本稿では, 形状バイアスをCNNに組み込んで, 頑健性を向上させる方法について検討する。 2つのアルゴリズムが提案され、エッジが適度な知覚不能な摂動に不変であるという観測に基づいている。
  論文  参考訳（メタデータ） (2020-08-31T03:23:59Z)
• How semantic and geometric information mutually reinforce each other in ToF object localization [19.47618043504105]
  本研究では,光の時間(ToF)センサによって提供される強度・深度情報画像から3Dオブジェクトをローカライズする手法を提案する。 提案手法は,従来のCNNアーキテクチャと比較して,分割と局所化の精度を著しく向上する。
  論文  参考訳（メタデータ） (2020-08-27T09:13:26Z)
• Informative Dropout for Robust Representation Learning: A Shape-bias Perspective [84.30946377024297]
  Informative Dropout (InfoDrop) と呼ばれる軽量モデル非依存の手法を提案し, 解釈性の向上とテクスチャバイアスの低減を図る。 具体的には、画像中の局所的な自己情報に基づいて形状からテクスチャを識別し、Dropoutのようなアルゴリズムを用いて局所的なテクスチャからのモデル出力をデコレーションする。
  論文  参考訳（メタデータ） (2020-08-10T16:52:24Z)
• Decoding CNN based Object Classifier Using Visualization [6.666597301197889]
  CNNのさまざまな畳み込み層で抽出される特徴の種類を視覚化する。 アクティベーションのヒートマップを可視化することは、CNNが画像内の異なるオブジェクトを分類し、ローカライズする方法を理解するのに役立ちます。
  論文  参考訳（メタデータ） (2020-07-15T05:01:27Z)
• Hybrid Tiled Convolutional Neural Networks for Text Sentiment Classification [3.0204693431381515]
  階層型畳み込みニューラルネットワーク(CNN)のアーキテクチャを調整し、感情分析のための健全な特徴の抽出を改善する。 NLP分野におけるタイル付きCNNの大きな欠点は、その柔軟性のないフィルタ構造であることを認識し、我々はハイブリッドタイル付きCNNと呼ばれる新しいアーキテクチャを提案する。 IMDBの映画レビューとSemEval 2017のデータセットの実験は、ハイブリッドタイルCNNの効率を実証している。
  論文  参考訳（メタデータ） (2020-01-31T14:08:15Z)

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。