論文の概要: Evaluating the Generalization Ability of Super-Resolution Networks

• arxiv url: http://arxiv.org/abs/2205.07019v2
• Date: Mon, 4 Sep 2023 03:42:34 GMT
• ステータス: 処理完了
• システム内更新日: 2023-09-07 12:14:30.633192
• Title: Evaluating the Generalization Ability of Super-Resolution Networks
• Title（参考訳）: 超解法ネットワークの一般化能力の評価
• Authors: Yihao Liu, Hengyuan Zhao, Jinjin Gu, Yu Qiao, Chao Dong
• Abstract要約: 本稿では,SRGAネットワークの一般化評価指標を提案する。 SRGAは、一般化能力を測定するためにディープネットワークの内部特性の統計特性を利用する。 一般化能力に関する既存のSRモデルをベンチマークする。
• 参考スコア（独自算出の注目度）: 45.867729539843
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Performance and generalization ability are two important aspects to evaluate the deep learning models. However, research on the generalization ability of Super-Resolution (SR) networks is currently absent. Assessing the generalization ability of deep models not only helps us to understand their intrinsic mechanisms, but also allows us to quantitatively measure their applicability boundaries, which is important for unrestricted real-world applications. To this end, we make the first attempt to propose a Generalization Assessment Index for SR networks, namely SRGA. SRGA exploits the statistical characteristics of the internal features of deep networks to measure the generalization ability. Specially, it is a non-parametric and non-learning metric. To better validate our method, we collect a patch-based image evaluation set (PIES) that includes both synthetic and real-world images, covering a wide range of degradations. With SRGA and PIES dataset, we benchmark existing SR models on the generalization ability. This work provides insights and tools for future research on model generalization in low-level vision.
• Abstract（参考訳）: ディープラーニングモデルを評価する上で,パフォーマンスと一般化能力は2つの重要な側面である。 しかし、スーパーリゾリューション(SR)ネットワークの一般化能力については現在研究されていない。 深層モデルの一般化能力を評価することは、その本質的なメカニズムを理解するのに役立つだけでなく、その適用可能性の境界を定量的に測定できる。 そこで本研究では,srネットワークの一般化評価指標であるsrgaを提案する。 SRGAは、ディープネットワークの内部特性の統計特性を利用して一般化能力を測定する。 特に、非パラメトリックかつ非学習メトリックである。 提案手法をよりよく検証するために, 合成画像と実画像の両方を含むパッチベースの画像評価セット(PIES)を収集し, 広範囲の劣化をカバーした。 SRGAおよびPIESデータセットを用いて、一般化能力に関する既存のSRモデルをベンチマークする。 この研究は、低レベルのビジョンにおけるモデル一般化に関する将来の研究のための洞察とツールを提供する。

関連論文リスト

• Generalization and Knowledge Transfer in Abstract Visual Reasoning Models [0.0]
  抽象的な視覚的推論領域におけるディープニューラルネットワークの一般化と知識再利用能力について検討する。 本稿では,4つの一般化規則を持つベンチマークであるAttributeless-I-RAVENを紹介する。 I-RAVEN-Meshはラインベースパターンからなる新しいコンポーネント構造でRPMを強化したデータセットである。
  論文  参考訳（メタデータ） (2024-06-16T20:26:38Z)
• Hyperspectral Benchmark: Bridging the Gap between HSI Applications through Comprehensive Dataset and Pretraining [11.935879491267634]
  ハイパースペクトルイメージング (HSI) は、様々な応用の非破壊空間分光技術として機能する。 繰り返し発生する課題は、ターゲットデータセットの限られたサイズであり、徹底的なアーキテクチャ検索を妨げる。 本研究は、3つの顕著な異なるHSIアプリケーションを含む革新的なベンチマークデータセットを紹介する。
  論文  参考訳（メタデータ） (2023-09-20T08:08:34Z)
• Sparsity-aware generalization theory for deep neural networks [12.525959293825318]
  本稿では、ディープフィードフォワードReLUネットワークの一般化を解析するための新しいアプローチを提案する。 空間性と一般化の基本的なトレードオフを示す。
  論文  参考訳（メタデータ） (2023-07-01T20:59:05Z)
• Generalization and Estimation Error Bounds for Model-based Neural Networks [78.88759757988761]
  スパースリカバリのためのモデルベースネットワークの一般化能力は、通常のReLUネットワークよりも優れていることを示す。 我々は,高一般化を保証したモデルベースネットワークの構築を可能にする実用的な設計規則を導出する。
  論文  参考訳（メタデータ） (2023-04-19T16:39:44Z)
• Exploiting Explainable Metrics for Augmented SGD [43.00691899858408]
  最適化下での学習が実際にどのように機能するか、また、特定の戦略が他の方法よりも優れている理由について、未解決の疑問がいくつかある。 ネットワーク層内の冗長な情報を計測する新しい説明可能性指標を提案する。 次に、これらの指標を利用して、各レイヤの学習率を適応的に調整し、一般化性能を向上させることにより、グラディエント・ディフレッシュ(SGD)を増大させる。
  論文  参考訳（メタデータ） (2022-03-31T00:16:44Z)
• Generalized Real-World Super-Resolution through Adversarial Robustness [107.02188934602802]
  本稿では,実世界のSRに取り組むために,敵攻撃の一般化能力を活用したロバスト超解法を提案する。 我々の新しいフレームワークは、現実世界のSR手法の開発においてパラダイムシフトをもたらす。 単一のロバストモデルを使用することで、実世界のベンチマークで最先端の特殊な手法より優れています。
  論文  参考訳（メタデータ） (2021-08-25T22:43:20Z)
• 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)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Representation Based Complexity Measures for Predicting Generalization in Deep Learning [0.0]
  ディープニューラルネットワークは、非常に過度にパラメータ化されているにもかかわらず、一般化することができる。 近年の研究では、様々な観点からこの現象を検証している。 内部表現の質の観点から一般化の解釈を提供する。
  論文  参考訳（メタデータ） (2020-12-04T18:53:44Z)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。