論文の概要: Discovering "Semantics" in Super-Resolution Networks

• arxiv url: http://arxiv.org/abs/2108.00406v1
• Date: Sun, 1 Aug 2021 09:12:44 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:18:41.725865
• Title: Discovering "Semantics" in Super-Resolution Networks
• Title（参考訳）: 超解法ネットワークにおける「セマンティックス」の発見
• Authors: Yihao Liu, Anran Liu, Jinjin Gu, Zhipeng Zhang, Wenhao Wu, Yu Qiao, Chao Dong
• Abstract要約: 超解像(SR)は低レベルの視覚領域の基本的で代表的な課題である。 一般に、SRネットワークから抽出された特徴は特定の意味情報を持たないと考えられている。 SRネットワークで「セマンティック」を見つけることはできますか?
• 参考スコア（独自算出の注目度）: 54.45509260681529
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Super-resolution (SR) is a fundamental and representative task of low-level vision area. It is generally thought that the features extracted from the SR network have no specific semantic information, and the network simply learns complex non-linear mappings from input to output. Can we find any "semantics" in SR networks? In this paper, we give affirmative answers to this question. By analyzing the feature representations with dimensionality reduction and visualization, we successfully discover the deep semantic representations in SR networks, \textit{i.e.}, deep degradation representations (DDR), which relate to the image degradation types and degrees. We also reveal the differences in representation semantics between classification and SR networks. Through extensive experiments and analysis, we draw a series of observations and conclusions, which are of great significance for future work, such as interpreting the intrinsic mechanisms of low-level CNN networks and developing new evaluation approaches for blind SR.
• Abstract（参考訳）: スーパーレゾリューション(sr)は低レベルの視覚領域の基本かつ代表的なタスクである。 srネットワークから抽出された特徴は特定の意味情報を持たないと考えられ、ネットワークは入力から出力への複雑な非線形マッピングを単に学習する。 srネットワークで "semantics" を見つけることはできますか? 本稿では,この問題に対する肯定的な回答を示す。 特徴表現を次元的縮小と可視化を用いて分析することにより,srネットワークにおける深い意味的表現,すなわち \textit{i.e。 深部劣化表現(ddr)は,画像劣化の種類や程度に関連がある。 また,分類とsrネットワーク間の表現意味の違いも明らかにした。 低レベルCNNネットワークの本質的なメカニズムの解釈やブラインドSRの新たな評価手法の開発など,今後の研究にとって重要な一連の観測と結論を描いている。

関連論文リスト

• Coding schemes in neural networks learning classification tasks [52.22978725954347]
  完全接続型広義ニューラルネットワーク学習タスクについて検討する。 ネットワークが強力なデータ依存機能を取得することを示す。 驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
  論文  参考訳（メタデータ） (2024-06-24T14:50:05Z)
• SeD: Semantic-Aware Discriminator for Image Super-Resolution [20.646975821512395]
  Generative Adversarial Networks (GAN) は画像超解像(SR)タスクの鮮やかなテクスチャを復元するために広く利用されている。 1つの識別器を用いて、SRネットワークは、現実の高品質な画像の分布を敵の訓練方法で学習することができる。 簡便かつ効果的な意味認識識別器(SeD)を提案する。 SeDは、画像のセマンティクスを条件として導入することにより、SRネットワークにきめ細かい分布の学習を奨励する。
  論文  参考訳（メタデータ） (2024-02-29T17:38:54Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• Textural-Structural Joint Learning for No-Reference Super-Resolution Image Quality Assessment [59.91741119995321]
  我々は、TSNetと呼ばれる品質予測のためのテキスト情報と構造情報を共同で探索するデュアルストリームネットワークを開発した。 画像の重要な領域に注意を払っている人間の視覚システム(HVS)を模倣することにより、視覚に敏感な領域をより区別しやすくするための空間的注意機構を開発する。 実験の結果,提案したTSNetは現状のIQA法よりも視覚的品質を正確に予測し,人間の視点との整合性を示した。
  論文  参考訳（メタデータ） (2022-05-27T09:20:06Z)
• ADMM-DAD net: a deep unfolding network for analysis compressed sensing [20.88999913266683]
  圧縮センシング解析のためのADMMアルゴリズムに基づく新しい深部展開ニューラルネットワークを提案する。 提案するネットワークは、スパーシフィケーションのための冗長解析演算子を共同で学習し、関心のシグナルを再構成する。
  論文  参考訳（メタデータ） (2021-10-13T18:56:59Z)
• NetReAct: Interactive Learning for Network Summarization [60.18513812680714]
  本論文では,テキストコーポラによる感覚生成のネットワーク可視化を支援する,新しいインタラクティブネットワーク要約アルゴリズムであるNetReActを提案する。 netreactが、他の非自明なベースラインよりも、隠れたパターンを明らかにする高品質な要約や視覚化の生成に成功していることを示す。
  論文  参考訳（メタデータ） (2020-12-22T03:56:26Z)
• Interpreting Super-Resolution Networks with Local Attribution Maps [24.221989130005085]
  画像超解像(SR)技術は、ディープネットワークの発明とそれに続くブレークスルーの恩恵を受け、急速に発展してきた。 ディープラーニングとディープニューラルネットワークは解釈が難しいことが認識されている。 本稿では,SR結果に強く影響する入力画素の探索を目的とした,SRネットワークの属性解析を行う。
  論文  参考訳（メタデータ） (2020-11-22T15:11:00Z)
• Learning Deep Interleaved Networks with Asymmetric Co-Attention for Image Restoration [65.11022516031463]
  本稿では,高品質(本社)画像再構成のために,異なる状態の情報をどのように組み合わせるべきかを学習するディープインターリーブドネットワーク(DIN)を提案する。 本稿では,各インターリーブノードにアタッチメントされた非対称なコアテンション(AsyCA)を提案し,その特性依存性をモデル化する。 提案したDINはエンドツーエンドで訓練でき、様々な画像復元タスクに適用できる。
  論文  参考訳（メタデータ） (2020-10-29T15:32:00Z)
• SNoRe: Scalable Unsupervised Learning of Symbolic Node Representations [0.0]
  提案したSNoReアルゴリズムは、個々のネットワークノードのシンボリックで人間の理解可能な表現を学習することができる。 SNoReの解釈可能な特徴は、個々の予測を直接説明するのに適している。 SNoReのベクトル化実装は大規模ネットワークにスケールし、現代のネットワーク学習および分析タスクに適している。
  論文  参考訳（メタデータ） (2020-09-08T08:13:21Z)
• Deep Interleaved Network for Image Super-Resolution With Asymmetric Co-Attention [11.654141322782074]
  画像SRにおいて、異なる状態の情報をどのように組み合わせるべきかを学ぶために、ディープインターリーブドネットワーク(DIN)を提案する。 我々のDINは、複数の相互接続された枝を異なる状態にインターリーブしてヒューズすることができるマルチブランチパターンに従っています。 さらに,非対称コアテンション (AsyCA) が提案され,異なる状態からの情報的特徴を適応的に強調するために,インターリーブノードに攻撃される。
  論文  参考訳（メタデータ） (2020-04-24T15:49:18Z)

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。