論文の概要: Convolutional versus Dense Neural Networks: Comparing the Two Neural
Networks Performance in Predicting Building Operational Energy Use Based on
the Building Shape
- arxiv url: http://arxiv.org/abs/2108.12929v1
- Date: Sun, 29 Aug 2021 22:39:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-08-31 23:31:16.121866
- Title: Convolutional versus Dense Neural Networks: Comparing the Two Neural
Networks Performance in Predicting Building Operational Energy Use Based on
the Building Shape
- Title（参考訳）: 畳み込みと高密度ニューラルネットワーク:建物形状に基づく運転エネルギー利用予測における2つのニューラルネットワーク性能の比較
- Authors: Farnaz Nazari and Wei Yan
- Abstract要約: 本稿では,DNN(Dense Neural Network, DNN)とCNN(Convolutional Neural Network, CNN)の2つの異なるニューラルネットワークの適用性を評価する。
2つのニューラルネットワークの比較は、DNNモデルがパフォーマンス、単純性、時間においてCNNモデルを上回ることを示している。
- 参考スコア（独自算出の注目度）: 3.4461633417989184
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: A building self-shading shape impacts substantially on the amount of direct
sunlight received by the building and contributes significantly to building
operational energy use, in addition to other major contributing variables, such
as materials and window-to-wall ratios. Deep Learning has the potential to
assist designers and engineers by efficiently predicting building energy
performance. This paper assesses the applicability of two different neural
networks structures, Dense Neural Network (DNN) and Convolutional Neural
Network (CNN), for predicting building operational energy use with respect to
building shape. The comparison between the two neural networks shows that the
DNN model surpasses the CNN model in performance, simplicity, and computation
time. However, image-based CNN has the benefit of utilizing architectural
graphics that facilitates design communication.
- Abstract（参考訳）: 建物自己遮蔽形状は、建物が受ける直射日光量に実質的に影響し、材料や窓対壁比などの他の主要な寄与変数に加えて、運用エネルギー利用の構築に大きく寄与する。
Deep Learningは、エネルギーのパフォーマンスを効率的に予測することで、デザイナーやエンジニアを支援する可能性がある。
本稿では,DNN(Dense Neural Network, DNN)とCNN(Convolutional Neural Network, CNN)の2つの異なるニューラルネットワーク構造の適用性を評価する。
2つのニューラルネットワークの比較は、DNNモデルがCNNモデルを上回る性能、単純さ、計算時間を示している。
しかし、画像ベースのcnnはデザインコミュニケーションを容易にするアーキテクチャグラフィックスを利用する利点がある。
関連論文リスト
- SpikeAtConv: An Integrated Spiking-Convolutional Attention Architecture for Energy-Efficient Neuromorphic Vision Processing [11.687193535939798]
スパイキングニューラルネットワーク(SNN)は、従来の人工ニューラルネットワークに代わる生物学的にインスパイアされた代替手段を提供する。
SNNは、画像分類などの複雑な視覚的タスクにおいて、まだ競争力のある性能を達成できていない。
本研究では,有効性とタスク精度の向上を目的とした新しいSNNアーキテクチャを提案する。
論文 参考訳（メタデータ） (2024-11-26T13:57:38Z) - Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。
既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。
ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
論文 参考訳（メタデータ） (2024-10-29T19:02:54Z) - Suitability of KANs for Computer Vision: A preliminary investigation [28.030708956348864]
Kolmogorov-Arnold Networks (KAN) はニューラルネットワークのパラダイムを導入し、ネットワークの端に学習可能な関数を実装する。
本研究は、視覚モデルにおけるkansの適用性と有効性を評価し、基本的な認識とセグメンテーションタスクに焦点をあてる。
論文 参考訳（メタデータ） (2024-06-13T13:13:17Z) - Mobile Traffic Prediction at the Edge through Distributed and Transfer
Learning [2.687861184973893]
このトピックの研究は、異なるネットワーク要素からデータを収集することによって、中央集権的な予測を行うことに集中している。
本研究では,エッジ上で得られたデータセットを大規模計測キャンペーンで活用するエッジコンピューティングに基づく新しい予測フレームワークを提案する。
論文 参考訳（メタデータ） (2023-10-22T23:48:13Z) - CP-CNN: Core-Periphery Principle Guided Convolutional Neural Network [9.015666133509857]
我々は、ネットワーク配線パターンの設計と畳み込み操作のスパーシフィケーションにコア周辺原理を実装した。
私たちの研究は、人間の脳からの洞察をニューラルネットワークの設計に取り入れることで、脳にインスパイアされたAIの分野の成長に寄与します。
論文 参考訳（メタデータ） (2023-03-27T03:59:43Z) - Basic Binary Convolution Unit for Binarized Image Restoration Network [146.0988597062618]
本研究では,画像復元作業における残差接続,BatchNorm,アクティベーション機能,構造などのバイナリ畳み込みのコンポーネントを再検討する。
本研究の成果と分析に基づいて, 単純で効率的な基本二元畳み込みユニット (BBCU) を設計した。
我々のBBCUは、他のBNNや軽量モデルよりも大幅に優れており、BBCUがバイナライズされたIRネットワークの基本ユニットとして機能することを示しています。
論文 参考訳（メタデータ） (2022-10-02T01:54:40Z) - Universal approximation property of invertible neural networks [76.95927093274392]
Invertible Neural Network (INN) は、設計によって可逆性を持つニューラルネットワークアーキテクチャである。
その可逆性とヤコビアンのトラクタビリティのおかげで、IGNは確率的モデリング、生成的モデリング、表現的学習など、さまざまな機械学習応用がある。
論文 参考訳（メタデータ） (2022-04-15T10:45:26Z) - Comparison Analysis of Traditional Machine Learning and Deep Learning
Techniques for Data and Image Classification [62.997667081978825]
本研究の目的は、コンピュータビジョン2次元オブジェクト分類タスクに使用される最も一般的な機械学習およびディープラーニング技術を分析し比較することである。
まず、視覚語モデルと深部畳み込みニューラルネットワーク(DCNN)の理論的背景を示す。
次に、Bag of Visual Wordsモデル、VGG16 CNN Architectureを実装します。
論文 参考訳（メタデータ） (2022-04-11T11:34:43Z) - A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。
アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
論文 参考訳（メタデータ） (2020-05-14T09:02:33Z) - Binarizing MobileNet via Evolution-based Searching [66.94247681870125]
そこで本稿では,MobileNet をバイナライズする際の構築と訓練を容易にするための進化的探索手法を提案する。
ワンショットアーキテクチャ検索フレームワークに着想を得て、グループ畳み込みのアイデアを操り、効率的な1ビット畳み込みニューラルネットワーク(CNN)を設計する。
我々の目標は、グループ畳み込みの最良の候補を探索することで、小さなが効率的なバイナリニューラルアーキテクチャを考案することである。
論文 参考訳（メタデータ） (2020-05-13T13:25:51Z) - Adaptive Explainable Neural Networks (AxNNs) [8.949704905866888]
我々は、予測性能とモデル解釈可能性の両目標を達成するために、Adaptive Explainable Neural Networks (AxNN) と呼ばれる新しいフレームワークを開発した。
予測性能向上のために,一般化された付加的モデルネットワークと付加的インデックスモデルからなる構造化ニューラルネットワークを構築した。
本稿では,AxNNの結果を主効果と高次相互作用効果に分解する方法を示す。
論文 参考訳（メタデータ） (2020-04-05T23:40:57Z)
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。