論文の概要: Biologically inspired deep residual networks for computer vision
applications
- arxiv url: http://arxiv.org/abs/2205.02551v1
- Date: Thu, 5 May 2022 10:23:43 GMT
- ステータス: 処理完了
- システム内更新日: 2022-05-06 23:37:50.679713
- Title: Biologically inspired deep residual networks for computer vision
applications
- Title(参考訳): コンピュータビジョンのための生物学的にインスパイアされた深層ネットワーク
- Authors: Prathibha Varghese and Dr. G. Arockia Selva Saroja
- Abstract要約: 本稿では, 六角形畳み込みをスキップ接続に沿って導入する, 生物学的にインスパイアされた深部ニューラルネットワークを提案する。
提案手法は,バニラResNetアーキテクチャのベースライン画像分類精度を向上させる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Deep neural network has been ensured as a key technology in the field of many
challenging and vigorously researched computer vision tasks. Furthermore,
classical ResNet is thought to be a state-of-the-art convolutional neural
network (CNN) and was observed to capture features which can have good
generalization ability. In this work, we propose a biologically inspired deep
residual neural network where the hexagonal convolutions are introduced along
the skip connections. The performance of different ResNet variants using square
and hexagonal convolution are evaluated with the competitive training strategy
mentioned by [1]. We show that the proposed approach advances the baseline
image classification accuracy of vanilla ResNet architectures on CIFAR-10 and
the same was observed over multiple subsets of the ImageNet 2012 dataset. We
observed an average improvement by 1.35% and 0.48% on baseline top-1 accuracies
for ImageNet 2012 and CIFAR-10, respectively. The proposed biologically
inspired deep residual networks were observed to have improved generalized
performance and this could be a potential research direction to improve the
discriminative ability of state-of-the-art image classification networks.
- Abstract(参考訳): ディープニューラルネットワークは、困難で活発に研究されているコンピュータビジョンタスクの分野で重要な技術として確立されている。
さらに、古典的ResNetは最先端の畳み込みニューラルネットワーク(CNN)であり、優れた一般化能力を持つ特徴を捉えるために観測された。
そこで本研究では,六角形畳み込みをスキップ接続に沿って導入する,生物学的にインスパイアされた深部ニューラルネットワークを提案する。
正方形および六角形畳み込みを用いた異なるResNet変種の性能を[1]で述べた競争訓練戦略を用いて評価した。
提案手法では,CIFAR-10上のバニラResNetアーキテクチャのベースライン画像分類精度が向上し,ImageNet 2012データセットの複数のサブセットで同じことが観測された。
ImageNet 2012 と CIFAR-10 のベースライントップ1 の精度は平均 1.35% と 0.48% 向上した。
提案する生物学的にインスパイアされた深層残差ネットワークは、一般化された性能を向上し、最先端画像分類ネットワークの識別能力を向上させる潜在的研究方向である可能性が示唆された。
関連論文リスト
- Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。
我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。
本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文 参考訳(メタデータ) (2024-03-18T18:01:01Z) - Retinotopic Mapping Enhances the Robustness of Convolutional Neural Networks [0.0]
本研究では,葉緑体視覚の重要成分であるレチノトピックマッピングが,画像分類と局所化性能を向上させることができるかどうかを検討する。
標準オフザシェルフ畳み込みニューラルネットワーク(CNN)の入力にレノトピックマッピングが組み込まれた
驚くべきことに、レチノトピー的にマッピングされたネットワークは、分類において同等のパフォーマンスを達成した。
論文 参考訳(メタデータ) (2024-02-23T18:15:37Z) - Convolutional Neural Generative Coding: Scaling Predictive Coding to
Natural Images [79.07468367923619]
畳み込み型神経生成符号化(Conv-NGC)を開発した。
我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。
本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
論文 参考訳(メタデータ) (2022-11-22T06:42:41Z) - Increasing the Accuracy of a Neural Network Using Frequency Selective
Mesh-to-Grid Resampling [4.211128681972148]
ニューラルネットワークの入力データの処理にFSMR(Keypoint frequency selective mesh-to-grid resampling)を提案する。
ネットワークアーキテクチャや分類タスクによって、トレーニング中のFSMRの適用は学習プロセスに役立ちます。
ResNet50とOxflower17データセットの分類精度は最大4.31ポイント向上できる。
論文 参考訳(メタデータ) (2022-09-28T21:34:47Z) - CPFN: Cascaded Primitive Fitting Networks for High-Resolution Point
Clouds [51.47100091540298]
本稿では,グローバルおよびローカルなプリミティブ検出ネットワークの検出結果をアダプティブパッチサンプリングネットワークに依存したCPFN(Cascaded Primitive Fitting Networks)を提案する。
CPFNは、高解像度のポイントクラウドデータセット上で、最先端のSPFNのパフォーマンスを13-14%改善し、特に20-22%の微細プリミティブの検出を改善している。
論文 参考訳(メタデータ) (2021-08-31T23:27:33Z) - Implementing a foveal-pit inspired filter in a Spiking Convolutional
Neural Network: a preliminary study [0.0]
我々は,網膜卵管刺激によるガウスフィルタとランク順符号化の差異を取り入れたスポーキング畳み込みニューラルネットワーク(SCNN)を提示した。
このモデルは、Nengoライブラリーで実装されているように、スパイキングニューロンで動作するように適応されたバックプロパゲーションアルゴリズムの変種を用いて訓練される。
ネットワークは最大90%の精度で達成され、損失はクロスエントロピー関数を用いて計算される。
論文 参考訳(メタデータ) (2021-05-29T15:28:30Z) - Joint Learning of Neural Transfer and Architecture Adaptation for Image
Recognition [77.95361323613147]
現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。
本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。
本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
論文 参考訳(メタデータ) (2021-03-31T08:15:17Z) - Kernel-Based Smoothness Analysis of Residual Networks [85.20737467304994]
ResNets(Residual Networks)は、これらの強力なモダンアーキテクチャの中でも際立っている。
本稿では,2つのモデル,すなわちResNetsが勾配よりもスムーズな傾向を示す。
論文 参考訳(メタデータ) (2020-09-21T16:32:04Z) - Interpretation of ResNet by Visualization of Preferred Stimulus in
Receptive Fields [2.28438857884398]
ImageNetの分類タスクにおけるResNetの受容領域について検討する。
ResNetは配向選択的ニューロンと二重対立色ニューロンを持つ。
さらに,ResNetの第1層における不活性ニューロンが分類タスクに影響を及ぼす可能性が示唆された。
論文 参考訳(メタデータ) (2020-06-02T14:25:26Z) - 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) - ReActNet: Towards Precise Binary Neural Network with Generalized
Activation Functions [76.05981545084738]
本稿では,新たな計算コストを伴わずに,実数値ネットワークからの精度ギャップを埋めるため,バイナリネットワークを強化するためのいくつかのアイデアを提案する。
まず,パラメータフリーのショートカットを用いて,コンパクトな実数値ネットワークを修正・バイナライズすることで,ベースラインネットワークを構築する。
提案したReActNetはすべての最先端技術よりも大きなマージンで優れていることを示す。
論文 参考訳(メタデータ) (2020-03-07T02:12:02Z)
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。