論文の概要: CNNC: A Visual Analytics System for Comparative Studies of Deep
Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2110.13252v1
- Date: Mon, 25 Oct 2021 20:36:14 GMT
- ステータス: 処理完了
- システム内更新日: 2021-10-27 16:15:18.147587
- Title: CNNC: A Visual Analytics System for Comparative Studies of Deep
Convolutional Neural Networks
- Title(参考訳): CNNC:深部畳み込みニューラルネットワークの比較研究のためのビジュアル分析システム
- Authors: Xiwei Xuan, Xiaoyu Zhang, Oh-Hyun Kwon, Kwan-Liu Ma
- Abstract要約: 近年の畳み込みニューラルネットワーク(CNN)の急速な発展は、多くの機械学習(ML)アプリケーションに大きなブレークスルーをもたらした。
利用可能なさまざまなCNNモデルを理解し比較する能力は不可欠である。
本稿では,1つのCNNモデルの詳細な検査と2つ以上のモデルの比較研究を支援する視覚分析システムCNNComparator(CNNC)を提案する。
- 参考スコア(独自算出の注目度): 33.172992671830904
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The rapid development of Convolutional Neural Networks (CNNs) in recent years
has triggered significant breakthroughs in many machine learning (ML)
applications. The ability to understand and compare various CNN models
available is thus essential. The conventional approach with visualizing each
model's quantitative features, such as classification accuracy and
computational complexity, is not sufficient for a deeper understanding and
comparison of the behaviors of different models. Moreover, most of the existing
tools for assessing CNN behaviors only support comparison between two models
and lack the flexibility of customizing the analysis tasks according to user
needs. This paper presents a visual analytics system, CNN Comparator (CNNC),
that supports the in-depth inspection of a single CNN model as well as
comparative studies of two or more models. The ability to compare a larger
number of (e.g., tens of) models especially distinguishes our system from
previous ones. With a carefully designed model visualization and explaining
support, CNNC facilitates a highly interactive workflow that promptly presents
both quantitative and qualitative information at each analysis stage. We
demonstrate CNNC's effectiveness for assisting ML practitioners in evaluating
and comparing multiple CNN models through two use cases and one preliminary
evaluation study using the image classification tasks on the ImageNet dataset.
- Abstract(参考訳): 近年の畳み込みニューラルネットワーク(CNN)の急速な発展は、多くの機械学習(ML)アプリケーションに大きなブレークスルーをもたらした。
利用可能なさまざまなCNNモデルを理解し比較する能力は不可欠である。
分類精度や計算複雑性などの各モデルの定量的特徴を可視化する従来の手法は、異なるモデルの振る舞いをより深く理解し比較するには不十分である。
さらに、既存のCNN行動評価ツールのほとんどは、2つのモデルの比較のみをサポートし、ユーザのニーズに応じて分析タスクをカスタマイズする柔軟性を欠いている。
本稿では,1つのCNNモデルの詳細な検査と2つ以上のモデルの比較研究を支援する視覚分析システムCNNComparator(CNNC)を提案する。
より多くの(例えば数十の)モデルを比較する能力は、特に我々のシステムを以前のモデルと区別する。
モデルビジュアライゼーションと説明サポートを慎重に設計したCNNCは、分析段階で定量情報と定性的情報の両方を即座に提示する高度にインタラクティブなワークフローを促進する。
我々は,ML実践者を支援するCNNCの有効性を,2つのユースケースによる複数のCNNモデルの評価・比較と,ImageNetデータセット上の画像分類タスクを用いた予備評価を行った。
関連論文リスト
- Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。
特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
論文 参考訳(メタデータ) (2023-04-04T17:54:32Z) - Dynamically-Scaled Deep Canonical Correlation Analysis [77.34726150561087]
カノニカル相関解析 (CCA) は, 2つのビューの特徴抽出手法である。
本稿では,入力依存の正準相関モデルをトレーニングするための新しい動的スケーリング手法を提案する。
論文 参考訳(メタデータ) (2022-03-23T12:52:49Z) - Visualising and Explaining Deep Learning Models for Speech Quality
Prediction [0.0]
本稿では,非侵入的音声品質予測モデルであるNISQAについて分析する。
畳み込みニューラルネットワーク(CNN)とリカレントニューラルネットワーク(RNN)から構成される。
論文 参考訳(メタデータ) (2021-12-12T12:50:03Z) - Multi network InfoMax: A pre-training method involving graph
convolutional networks [0.0]
本稿では,グラフ畳み込み/ニューラルネットワーク(GCN/GNN)を含む事前学習手法を提案する。
学習された高レベルグラフ潜在表現は、下流グラフ分類タスクのパフォーマンス向上に役立つ。
我々は、被験者を健康管理群(HC)と統合失調症群(SZ)に分類するための神経画像データセットに適用した。
論文 参考訳(メタデータ) (2021-11-01T21:53:20Z) - Gone Fishing: Neural Active Learning with Fisher Embeddings [55.08537975896764]
ディープニューラルネットワークと互換性のあるアクティブな学習アルゴリズムの必要性が高まっている。
本稿では,ニューラルネットワークのための抽出可能かつ高性能な能動学習アルゴリズムBAITを紹介する。
論文 参考訳(メタデータ) (2021-06-17T17:26:31Z) - 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) - Fusion of CNNs and statistical indicators to improve image
classification [65.51757376525798]
畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。
この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。
我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
論文 参考訳(メタデータ) (2020-12-20T23:24:31Z) - ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。
我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
論文 参考訳(メタデータ) (2020-09-04T20:41:47Z) - An Information-theoretic Visual Analysis Framework for Convolutional
Neural Networks [11.15523311079383]
CNNモデルから抽出可能なデータを整理するデータモデルを提案する。
次に、異なる状況下でエントロピーを計算する2つの方法を提案する。
我々は,モデル内の情報変化量をインタラクティブに探索する視覚解析システムCNNSlicerを開発した。
論文 参考訳(メタデータ) (2020-05-02T21:36:50Z) - Improving Calibration and Out-of-Distribution Detection in Medical Image
Segmentation with Convolutional Neural Networks [8.219843232619551]
畳み込みニューラルネットワーク(CNN)は強力な医用画像分割モデルであることが示されている。
マルチタスク学習、すなわち、複数の異なるデータセット上で単一のモデルをトレーニングすることを提唱する。
一つのCNNが、文脈を自動的に認識し、各文脈における関心の組織を正確に区分することを学ぶだけでなく、そのようなジョイントモデルの方が、より正確でより良い校正された予測を持つことも示している。
論文 参考訳(メタデータ) (2020-04-12T23:42:51Z) - Inferring Convolutional Neural Networks' accuracies from their
architectural characterizations [0.0]
CNNのアーキテクチャと性能の関係について検討する。
本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。
我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
論文 参考訳(メタデータ) (2020-01-07T16:41:58Z)
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。