論文の概要: IgNet. A Super-precise Convolutional Neural Network

• arxiv url: http://arxiv.org/abs/2109.09939v1
• Date: Tue, 21 Sep 2021 03:41:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2021-09-22 14:31:40.321423
• Title: IgNet. A Super-precise Convolutional Neural Network
• Title（参考訳）: IgNet 超高精度畳み込みニューラルネットワーク
• Authors: Igor Mackarov
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、画像の検出と解析に有効な手段として知られている。 IgNetは、図面のカテゴリ的特徴を100%学習することができた。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Convolutional neural networks (CNN) are known to be an effective means to detect and analyze images. Their power is essentially based on the ability to extract out images common features. There exist, however, images involving unique, irregular features or details. Such is a collection of unusual children drawings reflecting the kids imagination and individuality. These drawings were analyzed by means of a CNN constructed by means of Keras-TensorFlow. The same problem - on a significantly higher level - was solved with newly developed family of networks called IgNet that is described in this paper. It proved able to learn by 100 % all the categorical characteristics of the drawings. In the case of a regression task (learning the young artists ages) IgNet performed with an error of no more than 0.4 %. The principles are discussed of IgNet design that made it possible to reach such substantial results with rather simple network topology.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、画像の検出と解析に有効な手段として知られている。 そのパワーは基本的に、画像共通特徴を抽出する能力に基づいている。 しかし、独特の不規則な特徴や細部を含む画像が存在する。 子供たちの想像力や個性を反映した珍しい絵のコレクションである。 これらの図面はKeras-TensorFlowによって構築されたCNNを用いて解析された。 同じ問題 — かなり高いレベルで – が新たに開発されたネットワークファミリーであるIgNetで解決された。 図面のカテゴリー的特徴をすべて100%で学習できることが判明した。 回帰タスク(若いアーティストの年齢を学習する)の場合、IgNetは0.4%未満の誤差で実行した。 これらの原則は、比較的単純なネットワークトポロジーでそのような実質的な結果に達することができるignet設計について論じられている。

関連論文リスト

• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
  実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。 本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-03T10:41:34Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Processing of incomplete images by (graph) convolutional neural networks [7.778461949427663]
  欠落した値を置き換えることなく、不完全な画像からニューラルネットワークを訓練する問題について検討する。 画像はまずグラフとして表現され、欠落したピクセルは完全に無視される。 グラフ画像表現は空間グラフ畳み込みネットワークを用いて処理される。
  論文  参考訳（メタデータ） (2020-10-26T21:40:03Z)
• The shape and simplicity biases of adversarially robust ImageNet-trained CNNs [9.707679445925516]
  本稿では,AlexNet,GoogLeNet,ResNet-50モデルの汎用性を実現するための形状バイアスと内部機構について検討する。 興味深いことに、敵の訓練はCNNの「不正化」過程において隠れたニューロンに3つの単純バイアスを誘導する。
  論文  参考訳（メタデータ） (2020-06-16T16:38:16Z)
• Interpretation of ResNet by Visualization of Preferred Stimulus in Receptive Fields [2.28438857884398]
  ImageNetの分類タスクにおけるResNetの受容領域について検討する。 ResNetは配向選択的ニューロンと二重対立色ニューロンを持つ。 さらに,ResNetの第1層における不活性ニューロンが分類タスクに影響を及ぼす可能性が示唆された。
  論文  参考訳（メタデータ） (2020-06-02T14:25:26Z)
• Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
  様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。 古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。 また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
  論文  参考訳（メタデータ） (2020-02-19T11:04:49Z)
• EdgeNets:Edge Varying Graph Neural Networks [179.99395949679547]
  本稿では、EdgeNetの概念を通じて、最先端グラフニューラルネットワーク(GNN)を統一する一般的なフレームワークを提案する。 EdgeNetはGNNアーキテクチャであり、異なるノードが異なるパラメータを使って異なる隣人の情報を測定することができる。 これは、ノードが実行でき、既存のグラフ畳み込みニューラルネットワーク(GCNN)とグラフアテンションネットワーク(GAT)の1つの定式化の下で包含できる一般的な線形で局所的な操作である。
  論文  参考訳（メタデータ） (2020-01-21T15:51:17Z)

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。