論文の概要: Finding Discriminative Filters for Specific Degradations in Blind Super-Resolution

• arxiv url: http://arxiv.org/abs/2108.01070v1
• Date: Mon, 2 Aug 2021 17:55:27 GMT
• ステータス: 処理完了
• システム内更新日: 2021-08-03 15:37:04.638963
• Title: Finding Discriminative Filters for Specific Degradations in Blind Super-Resolution
• Title（参考訳）: ブラインド超解像における特定劣化に対する識別フィルタの探索
• Authors: Liangbin Xie, Xintao Wang, Chao Dong, Zhongang Qi, Ying Shan
• Abstract要約: 積分勾配(FAIG)に基づく新しい診断ツール-フィルタ属性法を提案する。 FAIGは、ブラインドSRネットワークの劣化除去のために、入力ピクセル/機能の代わりに最も識別性の高いフィルタを見つけることを目的としている。 その結果, 1枝のブラインドSRネットワークでは, 特定の劣化に対して, ごく少数の(1%)識別フィルタが検出できることが判明した。
• 参考スコア（独自算出の注目度）: 22.704451469938633
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent blind super-resolution (SR) methods typically consist of two branches, one for degradation prediction and the other for conditional restoration. However, our experiments show that a one-branch network can achieve comparable performance to the two-branch scheme. Then we wonder: how can one-branch networks automatically learn to distinguish degradations? To find the answer, we propose a new diagnostic tool -- Filter Attribution method based on Integral Gradient (FAIG). Unlike previous integral gradient methods, our FAIG aims at finding the most discriminative filters instead of input pixels/features for degradation removal in blind SR networks. With the discovered filters, we further develop a simple yet effective method to predict the degradation of an input image. Based on FAIG, we show that, in one-branch blind SR networks, 1) we are able to find a very small number of (1%) discriminative filters for each specific degradation; 2) The weights, locations and connections of the discovered filters are all important to determine the specific network function. 3) The task of degradation prediction can be implicitly realized by these discriminative filters without explicit supervised learning. Our findings can not only help us better understand network behaviors inside one-branch blind SR networks, but also provide guidance on designing more efficient architectures and diagnosing networks for blind SR.
• Abstract（参考訳）: 最近のブラインド超解像法(SR)法は、通常、劣化予測と条件回復のための2つの枝からなる。 しかし,本実験では,1分岐ネットワークが2分岐方式に匹敵する性能を実現できることを示した。 ワンブランチネットワークは、どのようにして自動的に劣化を区別するか? そこで本研究では,積分勾配(faig)に基づく新しい診断ツール -- フィルタ帰属法を提案する。 従来の積分勾配法とは異なり、FAIGはブラインドSRネットワークの劣化除去のために入力画素/特徴の代わりに最も識別性の高いフィルタを求める。 検出されたフィルタを用いて,入力画像の劣化を簡易かつ効果的に予測する手法を考案する。 FAIGをベースとして,1) 特定の劣化に対して非常に少数の(1%) 識別フィルタが検出可能であること,2) 検出されたフィルタの重み,位置,接続がネットワーク機能を決定する上で重要であること,などが示されている。 3) 劣化予測の課題は, 明示的な教師付き学習を伴わない識別フィルタによって暗黙的に実現することができる。 我々の発見は、一つのブラインドSRネットワーク内のネットワークの振る舞いをよりよく理解するだけでなく、より効率的なアーキテクチャの設計や、ブラインドSRのためのネットワークの診断に関するガイダンスを提供する。

関連論文リスト

• Structured Network Pruning by Measuring Filter-wise Interactions [6.037167142826297]
  SNPFI (Structured Network Pruning by Measurement filter-wise Interaction) を用いた構造化ネットワークプルーニング手法を提案する。 刈取中、SNPFIはフィルタ利用強度に基づいて適切な間隔を自動的に割り当てる。 我々はSNPFIの有効性をいくつかの一般的なCNNモデルで実証的に実証した。
  論文  参考訳（メタデータ） (2023-07-03T05:26:05Z)
• Asymptotic Soft Cluster Pruning for Deep Neural Networks [5.311178623385279]
  フィルタプルーニング法は, 選択したフィルタを除去することにより, 構造的疎結合を導入する。 Asymptotic Soft Cluster Pruning と呼ばれる新しいフィルタプルーニング法を提案する。 提案手法は,多くの最先端アルゴリズムと比較して,競合的な結果が得られる。
  論文  参考訳（メタデータ） (2022-06-16T13:58:58Z)
• 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)
• Learning Versatile Convolution Filters for Efficient Visual Recognition [125.34595948003745]
  本稿では,効率的な畳み込みニューラルネットワーク構築のための多目的フィルタを提案する。 本稿では,ネットワークの複雑性に関する理論的解析を行い,効率的な畳み込み手法を提案する。 ベンチマークデータセットとニューラルネットワークの実験結果は、我々の汎用フィルタが元のフィルタと同等の精度を達成できることを実証している。
  論文  参考訳（メタデータ） (2021-09-20T06:07:14Z)
• SCOP: Scientific Control for Reliable Neural Network Pruning [127.20073865874636]
  本稿では,科学的制御を設定することにより,信頼性の高いニューラルネットワークプルーニングアルゴリズムを提案する。 冗長フィルタは、異なる特徴の逆数過程において発見できる。 提案手法では,ResNet-101のパラメータ57.8%,FLOP60.2%を削減できる。
  論文  参考訳（メタデータ） (2020-10-21T03:02:01Z)
• Filter Grafting for Deep Neural Networks: Reason, Method, and Cultivation [86.91324735966766]
  フィルタは現代の畳み込みニューラルネットワーク(CNN)のキーコンポーネントである 本稿では,この目的を達成するためにフィルタグラフト(textbfMethod)を導入する。 我々は,フィルタの情報を測定するための新しい基準と,グラフトされた情報をネットワーク間でバランスをとるための適応重み付け戦略を開発する。
  論文  参考訳（メタデータ） (2020-04-26T08:36:26Z)
• A "Network Pruning Network" Approach to Deep Model Compression [62.68120664998911]
  マルチタスクネットワークを用いた深部モデル圧縮のためのフィルタプルーニング手法を提案する。 我々のアプローチは、プレナーネットワークを学習して、事前訓練されたターゲットネットワークを訓練することに基づいている。 提案手法によって生成された圧縮モデルは汎用的であり,特別なハードウェア/ソフトウェアのサポートは不要である。
  論文  参考訳（メタデータ） (2020-01-15T20:38:23Z)
• Filter Grafting for Deep Neural Networks [71.39169475500324]
  ディープニューラルネットワーク(DNN)の表現能力向上を目的としたフィルタグラフト 我々は,フィルタの情報を測定するエントロピーベースの基準と,ネットワーク間のグラフト情報のバランスをとるための適応重み付け戦略を開発する。 例えば、グラフトされたMobileNetV2は、CIFAR-100データセットで非グラフトされたMobileNetV2を約7%上回っている。
  論文  参考訳（メタデータ） (2020-01-15T03:18:57Z)

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。