論文の概要: RRL:Regional Rotation Layer in Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2202.12509v1
• Date: Fri, 25 Feb 2022 06:07:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-02-28 22:13:00.704596
• Title: RRL:Regional Rotation Layer in Convolutional Neural Networks
• Title（参考訳）: RRL:畳み込みニューラルネットワークにおける領域回転層
• Authors: Zongbo Hao, Tao Zhang, Mingwang Chen, Kaixu Zhou
• Abstract要約: 畳み込みニューラルネットワーク(CNN)は、画像分類とオブジェクト検出において非常によく機能する。 本稿では,既存のネットワークに挿入可能なモジュールを提案し,その回転不変性をCNNの特徴抽出層に直接組み込む。 このモジュールには学習可能なパラメータがなく、モデルの複雑さを増すことはない。
• 参考スコア（独自算出の注目度）: 2.131909135487625
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Convolutional Neural Networks (CNNs) perform very well in image classification and object detection in recent years, but even the most advanced models have limited rotation invariance. Known solutions include the enhancement of training data and the increase of rotation invariance by globally merging the rotation equivariant features. These methods either increase the workload of training or increase the number of model parameters. To address this problem, this paper proposes a module that can be inserted into the existing networks, and directly incorporates the rotation invariance into the feature extraction layers of the CNNs. This module does not have learnable parameters and will not increase the complexity of the model. At the same time, only by training the upright data, it can perform well on the rotated testing set. These advantages will be suitable for fields such as biomedicine and astronomy where it is difficult to obtain upright samples or the target has no directionality. Evaluate our module with LeNet-5, ResNet-18 and tiny-yolov3, we get impressive results.
• Abstract（参考訳）: 近年、畳み込みニューラルネットワーク(CNN)は画像分類や物体検出において非常によく機能しているが、最も先進的なモデルでさえ回転不変性は限られている。 既知の解決策は、トレーニングデータの強化と、回転同変特徴をグローバルに融合させることによる回転不変性の増加である。 これらの方法はトレーニングのワークロードを増やすか、モデルパラメータの数を増やす。 そこで本稿では,既存のネットワークに挿入可能であり,cnnの特徴抽出層に回転不変性を直接組み込むモジュールを提案する。 このモジュールは学習可能なパラメータを持たず、モデルの複雑さを増すことはない。 同時に、アップライトデータをトレーニングすることでのみ、ローテーションされたテストセットで良好に動作させることができる。 これらの利点は、直立したサンプルを得るのが難しい、あるいは目標が方向性を持たない、生物医学や天文学といった分野に適している。 LeNet-5、ResNet-18、micro-yolov3でモジュールを評価すると、素晴らしい結果が得られます。

関連論文リスト

• Just How Flexible are Neural Networks in Practice? [89.80474583606242]
  ニューラルネットワークは、パラメータを持つ少なくとも多くのサンプルを含むトレーニングセットに適合できると広く信じられている。 しかし実際には、勾配や正規化子など、柔軟性を制限したトレーニング手順によるソリューションしか見つからない。
  論文  参考訳（メタデータ） (2024-06-17T12:24:45Z)
• Achieving Rotation Invariance in Convolution Operations: Shifting from Data-Driven to Mechanism-Assured [18.910817148765176]
  本稿では、任意の回転に自然に不変な新しい畳み込み演算を設計する。 従来の回転不変畳み込みニューラルネットワーク(RI-CNN)と比較した。 RIConvsはトレーニングデータに制限がある場合,これらのCNNバックボーンの精度を著しく向上することを示した。
  論文  参考訳（メタデータ） (2024-04-17T12:21:57Z)
• Revisiting Data Augmentation for Rotational Invariance in Convolutional Neural Networks [0.29127054707887967]
  画像分類のためのCNNにおける回転不変性について検討する。 実験により、データ拡張だけで訓練されたネットワークは、通常の非回転の場合と同様に、回転した画像の分類がほぼ可能であることが示された。
  論文  参考訳（メタデータ） (2023-10-12T15:53:24Z)
• As large as it gets: Learning infinitely large Filters via Neural Implicit Functions in the Fourier Domain [22.512062422338914]
  画像分類のためのニューラルネットワークの最近の研究は、空間的文脈を増大させる傾向が強い。 本稿では,畳み込みニューラルネットワークの有効フィルタサイズを研究するためのモジュールを提案する。 提案するネットワークは非常に大きな畳み込みカーネルを学習できるが、学習されたフィルタは十分に局所化されており、実際は比較的小さい。
  論文  参考訳（メタデータ） (2023-07-19T14:21:11Z)
• Solving Large-scale Spatial Problems with Convolutional Neural Networks [88.31876586547848]
  大規模空間問題に対する学習効率を向上させるために移動学習を用いる。 畳み込みニューラルネットワーク (CNN) は, 信号の小さな窓で訓練できるが, 性能劣化の少ない任意の大信号で評価できる。
  論文  参考訳（メタデータ） (2023-06-14T01:24:42Z)
• RIC-CNN: Rotation-Invariant Coordinate Convolutional Neural Network [56.42518353373004]
  回転不変座標変換(RIC-C)と呼ばれる新しい畳み込み演算を提案する。 CNNの標準畳み込み層を対応するRCC-Cに置き換えることで、RCC-CNNを導出することができる。 RIC-CNNはMNISTの回転試験データセット上で最先端の分類を実現することが観察できる。
  論文  参考訳（メタデータ） (2022-11-21T19:27:02Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• Focal Sparse Convolutional Networks for 3D Object Detection [121.45950754511021]
  我々はスパースCNNの能力を高めるために2つの新しいモジュールを導入する。 焦点スパース・コンボリューション(Focals Conv)であり、焦点スパース・コンボリューションの多様変種である。 スパース・コンボリューションにおける空間的に学習可能な空間空間性は,高度な3次元物体検出に不可欠であることを示す。
  論文  参考訳（メタデータ） (2022-04-26T17:34:10Z)
• Adjoint Rigid Transform Network: Task-conditioned Alignment of 3D Shapes [86.2129580231191]
  Adjoint Rigid Transform (ART) Networkは、さまざまな3Dネットワークと統合可能なニューラルネットワークモジュールである。 ARTは入力の形状を学習した標準方向に回転させることを学び、多くのタスクに欠かせない。 さらなる研究のために、コードと事前訓練されたモデルをリリースします。
  論文  参考訳（メタデータ） (2021-02-01T20:58:45Z)
• Learning Rotation-Invariant Representations of Point Clouds Using Aligned Edge Convolutional Neural Networks [29.3830445533532]
  ポイントクラウド分析は、シーンの深さを正確に測定できる3Dセンサーの開発によって、関心が高まる分野である。 点群解析に深層学習技術を適用することは、これらの手法が見えない回転に一般化できないため、簡単ではありません。 この制限に対処するには、通常、トレーニングデータを強化する必要があり、これは余分な計算につながる可能性があり、より大きなモデルの複雑さを必要とする。 本稿では,局所参照フレーム(LRF)に対する点群の特徴表現を学習する,Aligned Edge Convolutional Neural Network(AECNN)と呼ばれる新しいニューラルネットワークを提案する。
  論文  参考訳（メタデータ） (2021-01-02T17:36:00Z)
• Rotated Ring, Radial and Depth Wise Separable Radial Convolutions [13.481518628796692]
  本研究では、トレーニング可能な回転不変畳み込みとネットの構築について述べる。 一方、我々のアプローチは異なるモデルと異なる公開データセットに対して回転不変であることを示す。 提示される回転適応畳み込みモデルは、通常の畳み込みモデルよりも計算集約的である。
  論文  参考訳（メタデータ） (2020-10-02T09:01:51Z)

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。