論文の概要: Parametric Scattering Networks

• arxiv url: http://arxiv.org/abs/2107.09539v1
• Date: Tue, 20 Jul 2021 14:52:48 GMT
• ステータス: 処理完了
• システム内更新日: 2021-07-21 14:47:05.823832
• Title: Parametric Scattering Networks
• Title（参考訳）: パラメトリック散乱ネットワーク
• Authors: Shanel Gauthier, Benjamin Th\'erien, Laurent Als\`ene-Racicot, Irina Rish, Eugene Belilovsky, Michael Eickenberg and Guy Wolf
• Abstract要約: 我々はウェーブレットフィルタを適用し、散乱変換の問題を特異的にパラメトリゼーションする。 そこで本研究では, 散乱変換の学習バージョンが, サンプル分類設定において, 標準散乱変換よりも有意な性能向上をもたらすことを示す。
• 参考スコア（独自算出の注目度）: 23.544950229208485
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The wavelet scattering transform creates geometric invariants and deformation stability from an initial structured signal. In multiple signal domains it has been shown to yield more discriminative representations compared to other non-learned representations, and to outperform learned representations in certain tasks, particularly on limited labeled data and highly structured signals. The wavelet filters used in the scattering transform are typically selected to create a tight frame via a parameterized mother wavelet. Focusing on Morlet wavelets, we propose to instead adapt the scales, orientations, and slants of the filters to produce problem-specific parametrizations of the scattering transform. We show that our learned versions of the scattering transform yield significant performance gains over the standard scattering transform in the small sample classification settings, and our empirical results suggest that tight frames may not always be necessary for scattering transforms to extract effective representations.
• Abstract（参考訳）: ウェーブレット散乱変換は、初期構造信号から幾何学的不変性と変形安定性を生成する。 複数の信号領域において、他の非学習表現と比較してより識別的な表現が得られることが示されており、特定のタスク、特に制限されたラベル付きデータと高度に構造化された信号において学習された表現よりも優れる。 散乱変換に使用されるウェーブレットフィルタは通常、パラメータ化されたマザーウェーブレットを介してタイトなフレームを作成するために選択される。 モーレットウェーブレットに着目し,その代わりにフィルタのスケール,向き,傾斜を適応させ,散乱変換の問題を特異的にパラメトリゼーションする手法を提案する。 その結果,小標本分類において,散乱変換の学習したバージョンは標準散乱変換よりも有意な性能向上が得られ,また,実効的な表現を抽出するために散乱変換が必ずしも必要ではないことを示す実験結果が得られた。

関連論文リスト

• Oscillation Inversion: Understand the structure of Large Flow Model through the Lens of Inversion Method [60.88467353578118]
  実世界のイメージを逆転させる固定点インスパイアされた反復的アプローチは収束を達成せず、異なるクラスタ間で振動することを示す。 本稿では,画像強調,ストロークベースのリカラー化,および視覚的プロンプト誘導画像編集を容易にする,シンプルで高速な分布転送手法を提案する。
  論文  参考訳（メタデータ） (2024-11-17T17:45:37Z)
• Arbitrary Distributions Mapping via SyMOT-Flow: A Flow-based Approach Integrating Maximum Mean Discrepancy and Optimal Transport [2.7309692684728617]
  本稿では,2つの未知分布からの標本間の対称最大平均誤差を最小化することにより,可逆変換を訓練するSyMOT-Flowと呼ばれる新しいモデルを提案する。 結果として得られる変換はより安定で正確なサンプル生成をもたらす。
  論文  参考訳（メタデータ） (2023-08-26T08:39:16Z)
• A Variational Perspective on Solving Inverse Problems with Diffusion Models [101.831766524264]
  逆タスクは、データ上の後続分布を推測するものとして定式化することができる。 しかし、拡散過程の非線形的かつ反復的な性質が後部を引き付けるため、拡散モデルではこれは困難である。 そこで我々は,真の後続分布を近似する設計手法を提案する。
  論文  参考訳（メタデータ） (2023-05-07T23:00:47Z)
• Geometric Scattering on Measure Spaces [12.0756034112778]
  測度空間上での幾何散乱の一般統一モデルを導入する。 未知多様体をランダムにサンプリングして得られる有限測度空間を考える。 本稿では, 関連するグラフ散乱変換が基礎多様体上の散乱変換を近似するデータ駆動グラフを構築するための2つの方法を提案する。
  論文  参考訳（メタデータ） (2022-08-17T22:40:09Z)
• Scale Dependencies and Self-Similar Models with Wavelet Scattering Spectra [1.5866079116942815]
  複雑なウェーブレット変換は、各スケールで信号の変動を計算する。 スケール間の依存性は、ウェーブレット係数の時間とスケールのジョイント相関によって捉えられる。 このモーメントのベクトルは多スケールプロセスのガウス的でない幅広い性質を特徴付けることを示す。
  論文  参考訳（メタデータ） (2022-04-19T22:31:13Z)
• Parallelised Diffeomorphic Sampling-based Motion Planning [30.310891362316863]
  並列化拡散型サンプリングベースモーションプランニング(PDMP)を提案する。 PDMPは、サンプリングベースモーションプランナーのサンプリング分布を、正規化フローに似た方法で変換する。 PDMPは、コストの勾配情報を利用して、最適化ベースのモーションプランニング手法と同様の方法で仕様を注入することができる。
  論文  参考訳（メタデータ） (2021-08-26T13:15:11Z)
• Equivariant Wavelets: Fast Rotation and Translation Invariant Wavelet Scattering Transforms [0.0]
  画像統計に対称性を与えることは、人間の解釈性を改善し、一般化を助け、寸法減少をもたらす。 本稿では,高速かつ変換不変かつ回転不変なウェーブレット散乱ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-04-22T18:00:01Z)
• Invariant Deep Compressible Covariance Pooling for Aerial Scene Categorization [80.55951673479237]
  本研究では,空気シーン分類におけるニュアンス変動を解決するために,新しい不変な深部圧縮性共分散プール (IDCCP) を提案する。 本研究では,公開空間画像データセットに関する広範な実験を行い,最先端の手法と比較して,この手法の優位性を実証する。
  論文  参考訳（メタデータ） (2020-11-11T11:13:07Z)
• Sparse Quantized Spectral Clustering [85.77233010209368]
  このような非線形変換の下で行列の固有スペクトルがどのように変化するのかを、ランダム行列理論のツールを用いて正確に述べる。 急激なスペーシング/量子化の下でも,情報的固有構造にはほとんど変化は見られなかった。
  論文  参考訳（メタデータ） (2020-10-03T15:58:07Z)
• Offline detection of change-points in the mean for stationary graph signals [55.98760097296213]
  グラフ信号定常性の概念に依存するオフライン手法を提案する。 我々の検出器は、漸近的でない不等式オラクルの証拠を伴っている。
  論文  参考訳（メタデータ） (2020-06-18T15:51:38Z)
• Understanding Graph Neural Networks with Generalized Geometric Scattering Transforms [67.88675386638043]
  散乱変換は、畳み込みニューラルネットワークのモデルとして機能する多層ウェーブレットベースのディープラーニングアーキテクチャである。 非対称ウェーブレットの非常に一般的なクラスに基づくグラフに対して、窓付きおよび非窓付き幾何散乱変換を導入する。 これらの非対称グラフ散乱変換は、対称グラフ散乱変換と多くの理論的保証を持つことを示す。
  論文  参考訳（メタデータ） (2019-11-14T17:23:06Z)

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。