論文の概要: Bayesian Convolutional Neural Networks for Seven Basic Facial Expression Classifications

• arxiv url: http://arxiv.org/abs/2107.04834v2
• Date: Tue, 13 Jul 2021 13:05:36 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-14 11:42:19.637992
• Title: Bayesian Convolutional Neural Networks for Seven Basic Facial Expression Classifications
• Title（参考訳）: 7つの基本表情分類のためのベイズ畳み込みニューラルネットワーク
• Authors: Yuan Tai, Yihua Tan, Wei Gong, Hailan Huang
• Abstract要約: 7つの基本的な表情分類は、複雑な人間の感情を表現する基本的な方法である。 従来のベイズニューラルネットワークフレームワークに基づいて,本稿で構築したResNet18_BNNネットワークを改善した。
• 参考スコア（独自算出の注目度）: 5.365808418695478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The seven basic facial expression classifications are a basic way to express complex human emotions and are an important part of artificial intelligence research. Based on the traditional Bayesian neural network framework, the ResNet18_BNN network constructed in this paper has been improved in the following three aspects: (1) A new objective function is proposed, which is composed of the KL loss of uncertain parameters and the intersection of specific parameters. Entropy loss composition. (2) Aiming at a special objective function, a training scheme for alternately updating these two parameters is proposed. (3) Only model the parameters of the last convolution group. Through testing on the FER2013 test set, we achieved 71.5% and 73.1% accuracy in PublicTestSet and PrivateTestSet, respectively. Compared with traditional Bayesian neural networks, our method brings the highest classification accuracy gain.
• Abstract（参考訳）: 7つの基本的な表情分類は、複雑な人間の感情を表現する基本的な方法であり、人工知能研究の重要な部分である。 従来のベイズニューラルネットワークの枠組みに基づき,本論文で構築したresnet18_bnnネットワークは,(1)不確定パラメータのkl損失と特定のパラメータの交叉からなる,新たな目的関数を提案する。 エントロピー損失組成物。 2) 特殊目的関数を対象として, これら2つのパラメータを交互に更新するトレーニングスキームを提案する。 (3) 最後の畳み込み群のパラメータのみをモデル化する。 FER2013テストセットのテストを通じて、PublicTestSetとPrivateTestSetでそれぞれ71.5%と73.1%の精度を達成した。 従来のベイズ型ニューラルネットワークと比較すると,本手法は分類精度が最も高い。

関連論文リスト

• Entanglement Classification of Arbitrary Three-Qubit States via Artificial Neural Networks [2.715284063484557]
  3ビットシステムの絡みを検知・分類する人工知能ニューラルネットワーク(ANN)を設計・実装する。 モデルはランダムに生成された状態のシミュレーションデータセット上で訓練され、検証される。 注目すべきは、密度行列の7つの対角要素をANNに供給するだけで、両方のタスクに対して94%以上の精度が得られることである。
  論文  参考訳（メタデータ） (2024-11-18T06:50:10Z)
• Sparse Deep Learning Models with the $\ell_1$ Regularization [6.268040192346312]
  スパースニューラルネットワークはディープラーニングにおいて非常に望ましい。 正規化パラメータの選択が学習ニューラルネットワークのスパーシリティレベルに与える影響について検討する。
  論文  参考訳（メタデータ） (2024-08-05T19:38:45Z)
• Robust Localization of Key Fob Using Channel Impulse Response of Ultra Wide Band Sensors for Keyless Entry Systems [12.313730356985019]
  キーレス入力のセキュリティ機能として、車内および周囲のキーフォブのローカライズにニューラルネットワークを使用することは、急速に進んでいる。 モデルの性能は, 高速勾配法では, 一定の範囲で67%向上し, 基本反復法では37%, 投射勾配法では37%向上した。
  論文  参考訳（メタデータ） (2024-01-16T22:35:14Z)
• Permutation Equivariant Neural Functionals [92.0667671999604]
  この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。 隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。 実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
  論文  参考訳（メタデータ） (2023-02-27T18:52:38Z)
• Hybrid machine-learned homogenization: Bayesian data mining and convolutional neural networks [0.0]
  本研究では,新しい特徴記述子を開発することにより,機械学習による予測を改善することを目的とする。 特徴記述子の反復的な開発により37の新たな特徴が生まれ、予測誤差を約3分の1削減することができた。 特徴に基づくアプローチと畳み込みニューラルネットワークの組み合わせは、ハイブリッドニューラルネットワークにつながる。
  論文  参考訳（メタデータ） (2023-02-24T09:59:29Z)
• Towards Better Out-of-Distribution Generalization of Neural Algorithmic Reasoning Tasks [51.8723187709964]
  ニューラルネットワーク推論タスクのOOD一般化について検討する。 目標は、ディープニューラルネットワークを使用して入出力ペアからアルゴリズムを学ぶことである。
  論文  参考訳（メタデータ） (2022-11-01T18:33:20Z)
• Learning to Learn with Generative Models of Neural Network Checkpoints [71.06722933442956]
  ニューラルネットワークのチェックポイントのデータセットを構築し,パラメータの生成モデルをトレーニングする。 提案手法は,幅広い損失プロンプトに対するパラメータの生成に成功している。 我々は、教師付きおよび強化学習における異なるニューラルネットワークアーキテクチャとタスクに本手法を適用した。
  論文  参考訳（メタデータ） (2022-09-26T17:59:58Z)
• Modeling from Features: a Mean-field Framework for Over-parameterized Deep Neural Networks [54.27962244835622]
  本稿では、オーバーパラメータ化ディープニューラルネットワーク(DNN)のための新しい平均場フレームワークを提案する。 このフレームワークでは、DNNは連続的な極限におけるその特徴に対する確率測度と関数によって表現される。 本稿では、標準DNNとResidual Network(Res-Net)アーキテクチャを通してフレームワークを説明する。
  論文  参考訳（メタデータ） (2020-07-03T01:37:16Z)
• Grafted network for person re-identification [14.372506245952383]
  畳み込みニューラルネットワークは、人物再同定(re-ID)において顕著な効果を示した 本稿では,高精度根茎と軽量シオンをグラフトした新しいグラフトネットワーク(GraftedNet)を提案する。 実験の結果、GraftedNetはランキング1で93.02%、85.3%、76.2%、mAPで81.6%、74.7%、71.6%を達成した。
  論文  参考訳（メタデータ） (2020-06-02T22:33:44Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)
• Learn to Predict Sets Using Feed-Forward Neural Networks [63.91494644881925]
  本稿では、ディープフィードフォワードニューラルネットワークを用いた設定予測の課題に対処する。 未知の置換と基数を持つ集合を予測するための新しい手法を提案する。 関連視覚問題に対する集合定式化の有効性を実証する。
  論文  参考訳（メタデータ） (2020-01-30T01:52:07Z)

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。