論文の概要: FastMapSVM: Classifying Complex Objects Using the FastMap Algorithm and Support-Vector Machines

• arxiv url: http://arxiv.org/abs/2204.05112v1
• Date: Thu, 7 Apr 2022 18:01:16 GMT
• ステータス: 処理完了
• システム内更新日: 2022-04-16 12:45:37.853650
• Title: FastMapSVM: Classifying Complex Objects Using the FastMap Algorithm and Support-Vector Machines
• Title（参考訳）: FastMapSVM: FastMapアルゴリズムとサポートベクターマシンを使って複雑なオブジェクトを分類する
• Authors: Malcolm C. A. White, Kushal Sharma, Ang Li, T. K. Satish Kumar, and Nori Nakata
• Abstract要約: 我々は、複雑なオブジェクトを分類する新しいフレームワークであるFastMapSVMを紹介する。 FastMapSVMは、FastMapとSupport-Map Machinesの強みを組み合わせたものだ。 FastMapSVMのパフォーマンスは他の最先端のメソッドと同等であることを示す。
• 参考スコア（独自算出の注目度）: 12.728875331529345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neural Networks and related Deep Learning methods are currently at the leading edge of technologies used for classifying objects. However, they generally demand large amounts of time and data for model training; and their learned models can sometimes be difficult to interpret. In this paper, we present FastMapSVM, a novel interpretable Machine Learning framework for classifying complex objects. FastMapSVM combines the strengths of FastMap and Support-Vector Machines. FastMap is an efficient linear-time algorithm that maps complex objects to points in a Euclidean space, while preserving pairwise non-Euclidean distances between them. We demonstrate the efficiency and effectiveness of FastMapSVM in the context of classifying seismograms. We show that its performance, in terms of precision, recall, and accuracy, is comparable to that of other state-of-the-art methods. However, compared to other methods, FastMapSVM uses significantly smaller amounts of time and data for model training. It also provides a perspicuous visualization of the objects and the classification boundaries between them. We expect FastMapSVM to be viable for classification tasks in many other real-world domains.
• Abstract（参考訳）: ニューラルネットワークと関連するディープラーニングメソッドは現在、オブジェクトの分類に使われる技術の最先端にある。 しかし、彼らは一般的に、モデルトレーニングのために大量の時間とデータを要求します。 本稿では,複雑なオブジェクトを分類する新しい解釈可能な機械学習フレームワークであるFastMapSVMを提案する。 fastmapsvmはfastmapとsupport-vectorマシンの強みを組み合わせる。 fastmapは、複素オブジェクトをユークリッド空間内の点にマッピングする効率的な線形時間アルゴリズムである。 地震図の分類におけるFastMapSVMの有効性と有効性を示す。 その性能は、精度、リコール、精度において、他の最先端手法と同等であることを示す。 しかし、他の方法と比較して、FastMapSVMはモデルトレーニングに非常に少ない時間とデータを使用する。 また、オブジェクトとそれらの間の分類境界を視覚的に可視化する。 我々は、FastMapSVMが他の多くの現実世界のドメインの分類タスクに有効であることを期待しています。

関連論文リスト

• A Paradigm Shift in Mouza Map Vectorization: A Human-Machine Collaboration Approach [2.315458677488431]
  現在の手動のデジタル化手法は時間と労力がかかる。 本研究では,デジタル化プロセスの効率化と,時間と人的資源の節約を目的とした半自動化手法を提案する。
  論文  参考訳（メタデータ） (2024-10-21T12:47:36Z)
• MGMapNet: Multi-Granularity Representation Learning for End-to-End Vectorized HD Map Construction [75.93907511203317]
  多粒性表現を持つ地図要素をモデル化するためのMGMapNet(Multi-Granularity Map Network)を提案する。 提案したMGMapNetは最先端のパフォーマンスを達成し,MapTRv2 を nuScenes で 5.3 mAP,Argoverse2 で 4.4 mAP で上回った。
  論文  参考訳（メタデータ） (2024-10-10T09:05:23Z)
• DTCLMapper: Dual Temporal Consistent Learning for Vectorized HD Map Construction [20.6143278960295]
  本稿では,時間的インスタンス整合性と時間的マップ整合性学習に焦点を当てた。 DTCLMapperは、インスタンスの埋め込みとジオメトリマップを組み合わせた、双方向ストリームの時間一貫性学習モジュールである。 良く認識されたベンチマーク実験から,提案したDTCLMapperはベクトル化されたマッピングタスクにおいて最先端のパフォーマンスを達成することが示唆された。
  論文  参考訳（メタデータ） (2024-05-09T02:58:55Z)
• Unified Functional Hashing in Automatic Machine Learning [58.77232199682271]
  高速に統一された関数型ハッシュを用いることで,大きな効率向上が得られることを示す。 私たちのハッシュは"機能的"であり、表現やコードが異なる場合でも同等の候補を識別します。 ニューラルアーキテクチャ検索やアルゴリズム発見など、複数のAutoMLドメインで劇的な改善がなされている。
  論文  参考訳（メタデータ） (2023-02-10T18:50:37Z)
• MapTR: Structured Modeling and Learning for Online Vectorized HD Map Construction [33.30177029735497]
  MapTRは、効率的なオンラインベクトル化HDマップ構築のための構造化エンドツーエンドフレームワークである。 MapTRは既存のベクトル化マップ構築手法の中で最高の性能と効率を達成する。
  論文  参考訳（メタデータ） (2022-08-30T17:55:59Z)
• Sparse Instance Activation for Real-Time Instance Segmentation [72.23597664935684]
  本稿では,リアルタイムインスタンスセグメンテーションのための概念的・効率的・完全畳み込み型フレームワークを提案する。 SparseInstは非常に高速な推論速度を持ち、COCOベンチマークで40 FPSと37.9 APを達成した。
  論文  参考訳（メタデータ） (2022-03-24T03:15:39Z)
• Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
  新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。 本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。 また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
  論文  参考訳（メタデータ） (2020-09-08T07:29:05Z)
• Multi-scale Interaction for Real-time LiDAR Data Segmentation on an Embedded Platform [62.91011959772665]
  LiDARデータのリアルタイムセマンティックセグメンテーションは、自動運転車にとって不可欠である。 ポイントクラウド上で直接動作する現在のアプローチでは、複雑な空間集約操作を使用する。 本稿では,マルチスケールインタラクションネットワーク(MINet)と呼ばれるプロジェクションベースの手法を提案する。
  論文  参考訳（メタデータ） (2020-08-20T19:06:11Z)
• Embedding Directed Graphs in Potential Fields Using FastMap-D [24.525270899573734]
  有向グラフに対するFastMapの効率的な一般化であるFastMap-Dを提案する。 FastMap-D は、有界場を用いて頂点を埋め込み、有向グラフの対距離の間の非対称性を捉える。 様々な種類の有向グラフの実験において、他のアプローチに対するFastMap-Dの利点を実証する。
  論文  参考訳（メタデータ） (2020-06-04T19:50:04Z)
• Real-Time High-Performance Semantic Image Segmentation of Urban Street Scenes [98.65457534223539]
  都市景観のロバストなセマンティックセマンティックセグメンテーションのためのリアルタイムDCNNに基づく高速DCNN手法を提案する。 提案手法は, 51.0 fps と 39.3 fps の推論速度で, 平均 73.6% と平均 68.0% (mIoU) の精度を実現する。
  論文  参考訳（メタデータ） (2020-03-11T08:45:53Z)

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。