論文の概要: Fuzzy Pooling

• arxiv url: http://arxiv.org/abs/2202.08372v1
• Date: Sat, 12 Feb 2022 11:18:32 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-20 16:23:32.002131
• Title: Fuzzy Pooling
• Title（参考訳）: ファジィプール
• Authors: Dimitrios E. Diamantis and Dimitris K. Iakovidis
• Abstract要約: 畳み込みニューラルネットワーク(英: Convolutional Neural Networks、CNN)は、一般的には畳み込みとプールという2つの操作に基づく人工知能システムである。 本稿では, (type-1) ファジィ集合に基づく新しいプール操作を提案し, 特徴写像の局所的精度に対処する。 公開データセットを用いた実験により,提案手法はCNNの分類性能を向上させることができることが示された。
• 参考スコア（独自算出の注目度）: 7.6146285961466
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Convolutional Neural Networks (CNNs) are artificial learning systems typically based on two operations: convolution, which implements feature extraction through filtering, and pooling, which implements dimensionality reduction. The impact of pooling in the classification performance of the CNNs has been highlighted in several previous works, and a variety of alternative pooling operators have been proposed. However, only a few of them tackle with the uncertainty that is naturally propagated from the input layer to the feature maps of the hidden layers through convolutions. In this paper we present a novel pooling operation based on (type-1) fuzzy sets to cope with the local imprecision of the feature maps, and we investigate its performance in the context of image classification. Fuzzy pooling is performed by fuzzification, aggregation and defuzzification of feature map neighborhoods. It is used for the construction of a fuzzy pooling layer that can be applied as a drop-in replacement of the current, crisp, pooling layers of CNN architectures. Several experiments using publicly available datasets show that the proposed approach can enhance the classification performance of a CNN. A comparative evaluation shows that it outperforms state-of-the-art pooling approaches.
• Abstract（参考訳）: 畳み込みニューラルネットワーク(英: Convolutional Neural Networks、CNN)は、一般的に2つの操作に基づく人工知能システムである。 CNNの分類性能におけるプールの影響は、いくつかの先行研究で強調され、様々な代替プール演算子が提案されている。 しかしながら、畳み込みを通じて、入力層から隠れた層の特徴マップに自然に伝播する不確実性に対処できるのはごくわずかである。 本稿では, (type-1) ファジィ集合に基づく新しいプーリング操作を行い, 特徴マップの局所的不適合に対処するとともに, その性能を画像分類の文脈で検証する。 ファジィプーリングは特徴写像近傍のファジィ化、凝集、脱ファジィ化によって行われる。 ファジィプーリング層(ファジィプーリング層)を構築するのに使われ、cnnアーキテクチャの現在の、くっきりとしたプール層を置き換えるのに使用できる。 公開データセットを用いたいくつかの実験により,提案手法はCNNの分類性能を向上させることができることが示された。 比較評価は、最先端のプーリングアプローチよりも優れていることを示している。

関連論文リスト

• Lacunarity Pooling Layers for Plant Image Classification using Texture Analysis [0.38366697175402226]
  ポーリング層は、画素強度及び/または特徴値の空間配置に符号化された重要な情報を見渡す。 そこで本研究では,特徴マップの空間的不均一性を,局所窓内における変動性の評価により捉えることを目的とした,新しいラキュナリティプーリング層を提案する。 ラキュナリティプーリング層は、任意の人工ニューラルネットワークアーキテクチャにシームレスに統合することができる。
  論文  参考訳（メタデータ） (2024-04-25T00:34:52Z)
• Dynamic Perceiver for Efficient Visual Recognition [87.08210214417309]
  特徴抽出手順と早期分類タスクを分離する動的知覚器(Dyn-Perceiver)を提案する。 特徴ブランチは画像の特徴を抽出し、分類ブランチは分類タスクに割り当てられた遅延コードを処理する。 早期出口は分類枝に限られており、低レベルの特徴において線形分離性は不要である。
  論文  参考訳（メタデータ） (2023-06-20T03:00:22Z)
• Learning Partial Correlation based Deep Visual Representation for Image Classification [61.0532370259644]
  CNNの新たな構造層としてスパース逆共分散推定(SICE)を定式化する。 本研究は,部分的相関に基づく深部視覚表現を求め,小さなサンプル問題を緩和する。 実験により,本モデルの有効性と優れた分類性能が示された。
  論文  参考訳（メタデータ） (2023-04-23T10:09:01Z)
• Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
  本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。 我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-23T18:37:22Z)
• Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
  本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
  論文  参考訳（メタデータ） (2022-05-31T07:23:42Z)
• Exploring Novel Pooling Strategies for Edge Preserved Feature Maps in Convolutional Neural Networks [0.0]
  アンチエイリアス化された畳み込みニューラルネットワーク(CNN)は、CNNにおけるプールの実施方法を見直す上で、ある程度の復活をもたらした。 Laplacian-Gaussian Concatenation with Attention (LGCA) pooling と Wavelet based almost-detailed Concatenation with attention (WADCA) pooling である。 提案手法は, 分類, セグメンテーション, オートエンコーダにおいて, 従来のプール法よりも優れていることが示唆された。
  論文  参考訳（メタデータ） (2021-10-17T15:11:51Z)
• Analysis of convolutional neural network image classifiers in a hierarchical max-pooling model with additional local pooling [0.0]
  画像分類を考慮し,局所プールを付加した階層的最大プールモデルを提案する。 追加の局所プーリングにより、階層モデルは、異なる相対距離を持つ画像の一部を互いに結合することができる。
  論文  参考訳（メタデータ） (2021-05-31T16:08:00Z)
• 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)
• Adaptive feature recombination and recalibration for semantic segmentation with Fully Convolutional Networks [57.64866581615309]
  完全畳み込みネットワークを用いたセマンティックセグメンテーションに適応した特徴の組換えと空間適応型再分類ブロックを提案する。 その結果、再結合と再校正は競争ベースラインの結果を改善し、3つの異なる問題にまたがって一般化することを示した。
  論文  参考訳（メタデータ） (2020-06-19T15:45:03Z)
• SimPool: Towards Topology Based Graph Pooling with Structural Similarity Features [0.0]
  本稿では,2つの主要な寄与について提案する。1つ目は,隣接行列に基づく構造的類似性を計算した差分モジュールである。 2つ目の主な貢献は、これらの機能をDiffPool arXiv:1806.08804の再検討されたプール層と統合し、SimPoolと呼ばれるプーリング層を提案することである。 実験の結果、エンドツーエンドのグラフニューラルネットワークアーキテクチャの一部として、SimPoolは、より局所性に近いノードクラスタ割り当てを計算する。
  論文  参考訳（メタデータ） (2020-06-03T12:51:57Z)
• Large-scale spatiotemporal photonic reservoir computer for image classification [0.8701566919381222]
  本稿では,手書き桁の分類を行うために,フィードフォワードとリカレントニューラルネットワークを実装するためのスケーラブルなフォトニックアーキテクチャを提案する。 実験では、既製の光学部品と電子部品を利用して、現在16,384ノードのネットワークサイズを実現している。
  論文  参考訳（メタデータ） (2020-04-06T10:22:31Z)

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。