論文の概要: DRPN: Making CNN Dynamically Handle Scale Variation

• arxiv url: http://arxiv.org/abs/2112.10963v1
• Date: Tue, 21 Dec 2021 03:38:58 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-22 14:13:59.875219
• Title: DRPN: Making CNN Dynamically Handle Scale Variation
• Title（参考訳）: DRPN: CNNの動的ハンドリングスケールの変動
• Authors: Jingchao Peng, Haitao Zhao, Zhengwei Hu, Yi Zhuang, and Bofan Wang
• Abstract要約: 本稿では, スケール変動に対処する動的再パラメータ化ネットワーク(N)を提案し, 赤外線データセットにおいて, 検出精度を小さなターゲットと大きなターゲットとでバランスさせる。 DRPNは、異なるサイズの畳み込みカーネルと動的畳み込み戦略を持つ複数のブランチを採用する。 FLIR,KAIST,InfraPlaneのデータセットを用いた実験により,提案したDRPNの有効性が示された。
• 参考スコア（独自算出の注目度）: 1.5821816117324743
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Based on our observations of infrared targets, serious scale variation along within sequence frames has high-frequently occurred. In this paper, we propose a dynamic re-parameterization network (DRPN) to deal with the scale variation and balance the detection precision between small targets and large targets in infrared datasets. DRPN adopts the multiple branches with different sizes of convolution kernels and the dynamic convolution strategy. Multiple branches with different sizes of convolution kernels have different sizes of receptive fields. Dynamic convolution strategy makes DRPN adaptively weight multiple branches. DRPN can dynamically adjust the receptive field according to the scale variation of the target. Besides, in order to maintain effective inference in the test phase, the multi-branch structure is further converted to a single-branch structure via the re-parameterization technique after training. Extensive experiments on FLIR, KAIST, and InfraPlane datasets demonstrate the effectiveness of our proposed DRPN. The experimental results show that detectors using the proposed DRPN as the basic structure rather than SKNet or TridentNet obtained the best performances.
• Abstract（参考訳）: 赤外線ターゲットの観測結果から,シーケンスフレーム内の重大なスケール変動が頻繁に発生している。 本稿では,赤外データセットのスケール変動に対処し,小さなターゲットと大きなターゲットとの検出精度のバランスをとるための動的再パラメータ化ネットワーク(DRPN)を提案する。 drpnは、畳み込みカーネルのサイズと動的畳み込み戦略が異なる複数のブランチを採用する。 畳み込みカーネルのサイズが異なる複数のブランチは、受容野のサイズが異なる。 動的畳み込み戦略はDRPNを適応的に重み付けする。 DRPNはターゲットのスケール変動に応じて受容野を動的に調整することができる。 また、試験段階における効果的な推論を維持するため、トレーニング後の再パラメータ化技術により、マルチブランチ構造を単一ブランチ構造に変換する。 FLIR, KAIST, InfraPlane データセットの大規模な実験により提案した DRPN の有効性が示された。 実験の結果,提案したDRPNをSKNetやTridentNetよりも基本構造として用いた検出器が最高の性能を示した。

関連論文リスト

• Improved Generalization of Weight Space Networks via Augmentations [53.87011906358727]
  深度重み空間(DWS)における学習は新たな研究方向であり、2次元および3次元神経場(INRs, NeRFs)への応用 我々は、この過度な適合の理由を実証的に分析し、主要な理由は、DWSデータセットの多様性の欠如であることがわかった。 そこで本研究では,重み空間におけるデータ拡張戦略について検討し,重み空間に適応したMixUp法を提案する。
  論文  参考訳（メタデータ） (2024-02-06T15:34:44Z)
• Weighting and Pruning based Ensemble Deep Random Vector Functional Link Network for Tabular Data Classification [3.1905745371064484]
  本稿では,Ensemble Deep Random Vector Functional Link (edRVFL) の新たな変種を提案する。 EDRVFL (Weighting edRVFL) は、重み付け法を用いて、サンプルが前層で確実に分類された方法に応じて異なる重みのトレーニングサンプルを与えることにより、アンサンブルの多様性と精度を高める。 プルーニングベースのedRVFL(PedRVFL)も提案されている。我々は、次の隠れ層を生成する前に、分類の重要性に基づいて、いくつかの下位ニューロンをプルーニングする。
  論文  参考訳（メタデータ） (2022-01-15T09:34:50Z)
• Scaling Structured Inference with Randomization [64.18063627155128]
  本稿では、構造化されたモデルを数万の潜在状態に拡張するためにランダム化された動的プログラミング(RDP)のファミリを提案する。 我々の手法は古典的DPベースの推論に広く適用できる。 また、自動微分とも互換性があり、ニューラルネットワークとシームレスに統合できる。
  論文  参考訳（メタデータ） (2021-12-07T11:26:41Z)
• Dynamic Convolution for 3D Point Cloud Instance Segmentation [146.7971476424351]
  動的畳み込みに基づく3次元点雲からのインスタンスセグメンテーション手法を提案する。 我々は、同じ意味圏と閉投票を持つ等質点を幾何学的遠近点に対して収集する。 提案手法は提案不要であり、代わりに各インスタンスの空間的および意味的特性に適応する畳み込みプロセスを利用する。
  論文  参考訳（メタデータ） (2021-07-18T09:05:16Z)
• RED : Looking for Redundancies for Data-Free Structured Compression of Deep Neural Networks [36.027765880474526]
  我々は、構造化プルーニングに取り組むために、データフリーで構造化された統一的なアプローチREDを提案する。 まず、同一ニューロンの数を増やすために、スカラー重量分布密度を適応的にハッシュする手法を提案する。 第2に、それらの距離によって定義される相対的類似性に基づいて、冗長ニューロンをマージすることで、ネットワークを訓練する。 第3に,畳み込み層をさらに深層化するための不均一な分離手法を提案する。
  論文  参考訳（メタデータ） (2021-05-31T08:44:14Z)
• Fine-Grained Dynamic Head for Object Detection [68.70628757217939]
  本稿では,各インスタンスの異なるスケールからfpn特徴の画素レベルの組み合わせを条件付きで選択する,きめ細かい動的ヘッドを提案する。 実験は,いくつかの最先端検出ベンチマークにおける提案手法の有効性と有効性を示す。
  論文  参考訳（メタデータ） (2020-12-07T08:16:32Z)
• DyCo3D: Robust Instance Segmentation of 3D Point Clouds through Dynamic Convolution [136.7261709896713]
  本稿では,インスタンスの性質に応じて適切な畳み込みカーネルを生成するデータ駆動型アプローチを提案する。 提案手法はScanetNetV2とS3DISの両方で有望な結果が得られる。 また、現在の最先端よりも推論速度を25%以上向上させる。
  論文  参考訳（メタデータ） (2020-11-26T14:56:57Z)
• 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)
• Ensembled sparse-input hierarchical networks for high-dimensional datasets [8.629912408966145]
  サンプルサイズが小さい環境では,高密度ニューラルネットワークが実用的なデータ解析ツールであることを示す。 提案手法は,L1-ペナルティパラメータを2つだけ調整することで,ネットワーク構造を適切に調整する。 EASIER-netは、異なるサイズの実世界のデータセットのコレクションにおいて、データ適応方式でネットワークアーキテクチャを選択し、平均的なオフザシェルフ手法よりも高い予測精度を達成した。
  論文  参考訳（メタデータ） (2020-05-11T02:08:53Z)

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。