論文の概要: Kaggle Kinship Recognition Challenge: Introduction of Convolution-Free
Model to boost conventional
- arxiv url: http://arxiv.org/abs/2206.05488v1
- Date: Sat, 11 Jun 2022 10:22:28 GMT
- ステータス: 処理完了
- システム内更新日: 2022-06-14 13:33:26.713073
- Title: Kaggle Kinship Recognition Challenge: Introduction of Convolution-Free
Model to boost conventional
- Title(参考訳): Kaggle Kinship Recognition Challenge: 従来の改良のための畳み込みフリーモデルの導入
- Authors: Mingchuan Tian, Guangway Teng, Yipeng Bao
- Abstract要約: そこで我々は,CNNと組み合わせたベース分類器として視覚変換器を提案する。
我々は既存のCNNモデルの上にビジョントランスフォーマーモデルの変種を実装・最適化することで提案したアイデアを検証する。
我々は,高度に最適化されたCNNアンサンブルが,ビジョントランスフォーマーモデルの変種と簡単に組み合わさることで,ROCスコアの大幅な向上を達成できることを実証した。
- 参考スコア(独自算出の注目度): 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: This work aims to explore a convolution-free base classifier that can be used
to widen the variations of the conventional ensemble classifier. Specifically,
we propose Vision Transformers as base classifiers to combine with CNNs for a
unique ensemble solution in Kaggle kinship recognition. In this paper, we
verify our proposed idea by implementing and optimizing variants of the Vision
Transformer model on top of the existing CNN models. The combined models
achieve better scores than conventional ensemble classifiers based solely on
CNN variants. We demonstrate that highly optimized CNN ensembles publicly
available on the Kaggle Discussion board can easily achieve a significant boost
in ROC score by simply ensemble with variants of the Vision Transformer model
due to low correlation.
- Abstract(参考訳): 本研究の目的は、従来のアンサンブル分類器のバリエーションを広げるために使用できる畳み込みフリーな基本分類器を探索することである。
具体的には,カグル・キンシップ認識における一意なアンサンブル解のために,cnnと組み合わせた基本分類器として視覚トランスフォーマーを提案する。
本稿では,既存のCNNモデル上でのビジョントランスフォーマーモデルの変種の実装と最適化により,提案したアイデアを検証する。
組み合わせモデルは、CNN変種のみに基づく従来のアンサンブル分類器よりも優れたスコアを得る。
そこで我々は,Kaggle discussion Boardで公開されている高度に最適化されたCNNアンサンブルが,相関の低いVision Transformerモデルの変種と簡単に組み合わさることで,ROCスコアの大幅な向上を達成できることを実証した。
関連論文リスト
- Probabilistic Topic Modelling with Transformer Representations [0.9999629695552195]
トランスフォーマー表現型ニューラルトピックモデル(TNTM)を提案する。
このアプローチは、完全に確率論的モデリングを伴うトランスフォーマー埋め込みに基づくトピックの強力で汎用的な概念を統一する。
実験の結果,提案手法は組込みコヒーレンスの観点から,様々な最先端手法に匹敵する結果が得られることがわかった。
論文 参考訳(メタデータ) (2024-03-06T14:27:29Z) - Iterative collaborative routing among equivariant capsules for
transformation-robust capsule networks [6.445605125467574]
本稿では,同変で構成性に配慮したカプセルネットワークモデルを提案する。
構成性に対する認識は、提案した新しい反復的グラフベースのルーティングアルゴリズムを用いて得られる。
FashionMNIST, CIFAR-10, CIFAR-100の変換画像分類実験により, ICRを用いた我々のモデルは, 畳み込みベースラインとカプセルベースラインを上回り, 最先端性能を実現していることが示された。
論文 参考訳(メタデータ) (2022-10-20T08:47:18Z) - Learning Target-aware Representation for Visual Tracking via Informative
Interactions [49.552877881662475]
トラッキングのための特徴表現のターゲット認識能力を改善するために,新しいバックボーンアーキテクチャを提案する。
提案したGIMモジュールとInBN機構は、CNNやTransformerなど、さまざまなバックボーンタイプに適用可能である。
論文 参考訳(メタデータ) (2022-01-07T16:22:27Z) - Optimising for Interpretability: Convolutional Dynamic Alignment
Networks [108.83345790813445]
我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。
彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。
CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
論文 参考訳(メタデータ) (2021-09-27T12:39:46Z) - A Battle of Network Structures: An Empirical Study of CNN, Transformer,
and MLP [121.35904748477421]
畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンのための支配的なディープニューラルネットワーク(DNN)アーキテクチャである。
トランスフォーマーとマルチ層パーセプトロン(MLP)ベースのモデル(Vision TransformerやVision-Mixer)が新しいトレンドを導い始めた。
本稿では,これらのDNN構造について実証的研究を行い,それぞれの長所と短所を理解しようとする。
論文 参考訳(メタデータ) (2021-08-30T06:09:02Z) - Semantic Correspondence with Transformers [68.37049687360705]
本稿では,変換器を用いたコストアグリゲーション(CAT)を提案し,意味論的に類似した画像間の密接な対応を見出す。
初期相関マップと多レベルアグリゲーションを曖昧にするための外観親和性モデリングを含む。
提案手法の有効性を示す実験を行い,広範囲にわたるアブレーション研究を行った。
論文 参考訳(メタデータ) (2021-06-04T14:39:03Z) - Scaling Local Self-Attention For Parameter Efficient Visual Backbones [29.396052798583234]
自己注意は、パラメータ非依存のスケールとコンテンツ依存の相互作用により、コンピュータビジョンシステムを改善するという約束がある。
私たちは、ImageNet分類ベンチマークのパラメータ制限設定で最新の精度に達する新しいセルフアテンションモデルファミリー、emphHaloNetsを開発しました。
論文 参考訳(メタデータ) (2021-03-23T17:56:06Z) - 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) - 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) - A Simple Fix for Convolutional Neural Network via Coordinate Embedding [2.1320960069210484]
座標埋め込みによるCNNモデルに座標情報を組み込むための簡単な手法を提案する。
我々のアプローチは下流モデルアーキテクチャを変更せず、オブジェクト検出のようなタスクのためにトレーニング済みのモデルに容易に適用することができる。
論文 参考訳(メタデータ) (2020-03-24T00:31:27Z)
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。