論文の概要: Reflash Dropout in Image Super-Resolution

• arxiv url: http://arxiv.org/abs/2112.12089v1
• Date: Wed, 22 Dec 2021 17:47:32 GMT
• ステータス: 処理完了
• システム内更新日: 2021-12-23 15:39:55.498713
• Title: Reflash Dropout in Image Super-Resolution
• Title（参考訳）: イメージスーパーレゾリューションにおけるフラッシュドロップアウト
• Authors: Xiangtao Kong, Xina Liu, Jinjin Gu, Yu Qiao and Chao Dong
• Abstract要約: ドロップアウトは高レベルの視覚タスクにおいて過度に適合する問題を緩和するように設計されているが、イメージ・スーパーレゾリューション(SR)のような低レベルの視覚タスクにはめったに適用されない。 古典的な回帰問題として、SRは高いレベルのタスクと異なる振る舞いを示し、ドロップアウト操作に敏感である。 ドロップアウトの適切な利用は、SRネットワークに有効であることを示し、一般化能力を向上させる。
• 参考スコア（独自算出の注目度）: 37.614108492386215
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Dropout is designed to relieve the overfitting problem in high-level vision tasks but is rarely applied in low-level vision tasks, like image super-resolution (SR). As a classic regression problem, SR exhibits a different behaviour as high-level tasks and is sensitive to the dropout operation. However, in this paper, we show that appropriate usage of dropout benefits SR networks and improves the generalization ability. Specifically, dropout is better embedded at the end of the network and is significantly helpful for the multi-degradation settings. This discovery breaks our common sense and inspires us to explore its working mechanism. We further use two analysis tools -- one is from recent network interpretation works, and the other is specially designed for this task. The analysis results provide side proofs to our experimental findings and show us a new perspective to understand SR networks.
• Abstract（参考訳）: dropoutは高レベルビジョンタスクのオーバーフィッティング問題を解決するように設計されているが、イメージスーパーレゾリューション(sr)のような低レベルビジョンタスクにはほとんど適用されない。 古典的な回帰問題として、SRは高いレベルのタスクと異なる振る舞いを示し、ドロップアウト操作に敏感である。 本稿では,ドロップアウトの適切な利用がsrネットワークに有益であり,一般化能力を向上させることを示す。 具体的には、ドロップアウトはネットワークの端に埋め込まれ、マルチデグレート設定に非常に役立ちます。 この発見は私たちの常識を壊し、その動作メカニズムを探求するきっかけとなります。 さらに2つの分析ツールを使用します - 1つは最近のネットワーク解釈作業で、もう1つはこのタスクのために特別に設計されています。 解析結果は,実験結果のサイド証明を提供し,SRネットワークを理解するための新たな視点を示す。

関連論文リスト

• Towards Generalization in Subitizing with Neuro-Symbolic Loss using Holographic Reduced Representations [49.22640185566807]
  CogSci研究で使用される適応ツールは、CNNとViTのサブティナイズ一般化を改善することができることを示す。 学習におけるこの神経-記号的アプローチが,CNNやVTのサブティナイズ能力にどのように影響するかを検討する。 HRRに基づく損失が改善する一方の軸を除いて、ほとんどの点において、サブタイズにおいてViTはCNNと比較して著しく低下することがわかった。
  論文  参考訳（メタデータ） (2023-12-23T17:54:03Z)
• RDRN: Recursively Defined Residual Network for Image Super-Resolution [58.64907136562178]
  深部畳み込みニューラルネットワーク(CNN)は、単一画像超解像において顕著な性能を得た。 本稿では,注目ブロックを効率的に活用する新しいネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2022-11-17T11:06:29Z)
• Hierarchical Similarity Learning for Aliasing Suppression Image Super-Resolution [64.15915577164894]
  エイリアスの影響を抑制するために階層画像超解像ネットワーク(HSRNet)を提案する。 HSRNetは、他の作品よりも定量的かつ視覚的なパフォーマンスを向上し、エイリアスをより効果的に再送信する。
  論文  参考訳（メタデータ） (2022-06-07T14:55:32Z)
• Image Superresolution using Scale-Recurrent Dense Network [30.75380029218373]
  畳み込みニューラルネットワーク(CNN)の設計の最近の進歩は、画像超解像(SR)の性能を大幅に向上させた。 残差ブロック内の一連の密接な接続を含む単位上に構築されたスケールリカレントSRアーキテクチャを提案する(Residual Dense Blocks (RDBs))。 我々のスケールリカレント設計は、現在の最先端のアプローチに比べてパラメトリックに効率的でありながら、より高いスケール要因の競合性能を提供する。
  論文  参考訳（メタデータ） (2022-01-28T09:18:43Z)
• Discovering "Semantics" in Super-Resolution Networks [54.45509260681529]
  超解像(SR)は低レベルの視覚領域の基本的で代表的な課題である。 一般に、SRネットワークから抽出された特徴は特定の意味情報を持たないと考えられている。 SRネットワークで「セマンティック」を見つけることはできますか?
  論文  参考訳（メタデータ） (2021-08-01T09:12:44Z)
• Interpreting Super-Resolution Networks with Local Attribution Maps [24.221989130005085]
  画像超解像(SR)技術は、ディープネットワークの発明とそれに続くブレークスルーの恩恵を受け、急速に発展してきた。 ディープラーニングとディープニューラルネットワークは解釈が難しいことが認識されている。 本稿では,SR結果に強く影響する入力画素の探索を目的とした,SRネットワークの属性解析を行う。
  論文  参考訳（メタデータ） (2020-11-22T15:11:00Z)
• Why Do Better Loss Functions Lead to Less Transferable Features? [93.47297944685114]
  本稿では,画像ネット上で学習した畳み込みニューラルネットワークの隠れ表現が,学習対象の選択が伝達可能性に与える影響について検討する。 我々は,多くの目的が,バニラソフトマックスのクロスエントロピーよりも画像ネットの精度を統計的に有意に向上させることを示した。
  論文  参考訳（メタデータ） (2020-10-30T17:50:31Z)
• Enhancing Perceptual Loss with Adversarial Feature Matching for Super-Resolution [5.258555266148511]
  単一画像超解法 (SISR) は不確定な数の有効解を持つ不確定問題である。 これらのパターンアーティファクトの根本原因は、知覚的損失の事前学習目標と超解答目標とのミスマッチに遡ることができる。
  論文  参考訳（メタデータ） (2020-05-15T12:36:54Z)

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。