Fugu-MT 論文翻訳(概要): Fully trainable Gaussian derivative convolutional layer

論文の概要: Fully trainable Gaussian derivative convolutional layer

arxiv url: http://arxiv.org/abs/2207.08424v1
Date: Mon, 18 Jul 2022 08:16:04 GMT
ステータス: 処理完了
システム内更新日: 2022-07-19 16:15:34.760185
Title: Fully trainable Gaussian derivative convolutional layer
Title（参考訳）: 完全訓練可能なガウス微分畳み込み層
Authors: Valentin Penaud--Polge (CMM), Santiago Velasco-Forero (CMM), Jesus Angulo (CMM)
Abstract要約: 異方性,向き,シフトしたガウス微分核に基づく高レベル層を提案する。その結果,提案した層は従来よりも性能が優れていたことが示唆された。画像分類のためのVGG16や画像分割のためのU-netなど、一般的なディープアーキテクチャにうまく組み込める。
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: The Gaussian kernel and its derivatives have already been employed for Convolutional Neural Networks in several previous works. Most of these papers proposed to compute filters by linearly combining one or several bases of fixed or slightly trainable Gaussian kernels with or without their derivatives. In this article, we propose a high-level configurable layer based on anisotropic, oriented and shifted Gaussian derivative kernels which generalize notions encountered in previous related works while keeping their main advantage. The results show that the proposed layer has competitive performance compared to previous works and that it can be successfully included in common deep architectures such as VGG16 for image classification and U-net for image segmentation.
Abstract（参考訳）: ガウス核とその誘導体は、以前のいくつかの研究で既に畳み込みニューラルネットワークに使われている。これらの論文の多くは、固定またはわずかに訓練可能なガウス核の1つまたは複数の基底と微分の有無を線形に組み合わせてフィルタを計算することを提案した。本稿では,先行研究で遭遇する概念を一般化した異方性・指向性・シフト型ガウス微分核に基づく高レベル構成可能層を提案する。以上の結果から,提案する層は従来に比べて性能が優れており,画像分類用VGG16や画像セグメンテーション用U-netなど,一般的な深層アーキテクチャにも適用可能であることがわかった。

関連論文リスト

Scale generalisation properties of extended scale-covariant and scale-invariant Gaussian derivative networks on image datasets with spatial scaling variations [0.46040036610482665]
本稿では,スケール共変およびスケール不変ガウス微分ネットワークのスケール一般化特性を詳細に解析する。ガンマデリバティブネットワークは、Fashion-MNISTとCIFAR-10データセットの新たな再スケールバージョンで評価される。
論文参考訳（メタデータ） (2024-09-17T12:51:04Z)
Conformal Transformation of Kernels: A Geometric Perspective on Text Classification [44.99833362998488]
サポートベクトルマシンで使用されるカーネル関数に対する共形変換の影響について検討する。本研究では,Reutersデータセットを用いて2種類のバイナリ分類タスクについて実験を行った。この結果から, コンフォメーション変換はカーネル性能を著しく向上させる可能性が示唆された。
論文参考訳（メタデータ） (2024-06-01T17:01:01Z)
Neural Tangent Kernels Motivate Graph Neural Networks with Cross-Covariance Graphs [94.44374472696272]
グラフニューラルネットワーク(GNN)の文脈におけるNTKとアライメントについて検討する。その結果、2層GNNのアライメントの最適性に関する理論的保証が確立された。これらの保証は、入力と出力データの相互共分散の関数であるグラフシフト演算子によって特徴づけられる。
論文参考訳（メタデータ） (2023-10-16T19:54:21Z)
A Unified Algebraic Perspective on Lipschitz Neural Networks [88.14073994459586]
本稿では,様々なタイプの1-Lipschitzニューラルネットワークを統一する新しい視点を提案する。そこで本研究では,SDP(Common semidefinite Programming)条件の解析解を求めることによって,既存の多くの手法を導出し,一般化することができることを示す。 SDPベースのLipschitz Layers (SLL) と呼ばれる我々のアプローチは、非自明で効率的な凸ポテンシャル層の一般化を設計できる。
論文参考訳（メタデータ） (2023-03-06T14:31:09Z)
Learning with convolution and pooling operations in kernel methods [8.528384027684192]
近年の実証研究により、階層的畳み込みカーネルは、画像分類タスクにおけるカーネルメソッドの性能を向上させることが示されている。畳み込みアーキテクチャにおける近似と一般化の正確な相互作用について検討する。この結果から,対象関数に適応したアーキテクチャの選択が,サンプルの複雑性を大幅に向上させることを示す。
論文参考訳（メタデータ） (2021-11-16T09:00:44Z)
On Approximation in Deep Convolutional Networks: a Kernel Perspective [12.284934135116515]
画像や音声などの高次元データを含むタスクにおける深層畳み込みネットワークの成功について検討する。多層畳み込み核を検討し、カーネル方式のレンズを通して理論的・実証的に検討する。入力パッチで動作する表現型カーネルは第1層では重要であるが、より単純なカーネルは高い層で十分性能を保ち得る。
論文参考訳（メタデータ） (2021-02-19T17:03:42Z)
Adaptive Convolution Kernel for Artificial Neural Networks [0.0]
本稿では,1層に異なる大きさのカーネルを提供するために,畳み込みカーネルのサイズを訓練する方法について述べる。実験では、提案した適応層を単純な2層ネットワークの通常の畳み込み層と比較した。オックスフォード・ペッツデータセットのセグメンテーション実験では、U字型ネットワーク内の1つの通常の畳み込み層を1つの7$times$7適応層に置き換えることで、学習性能と一般化能力が向上することを示した。
論文参考訳（メタデータ） (2020-09-14T12:36:50Z)
A Flexible Framework for Designing Trainable Priors with Adaptive Smoothing and Game Encoding [57.1077544780653]
我々は、前方通過を非滑らかな凸最適化問題として解釈できるニューラルネットワーク層の設計とトレーニングのための一般的なフレームワークを紹介する。グラフのノードに代表されるローカルエージェントによって解決され、正規化関数を介して相互作用する凸ゲームに焦点を当てる。このアプローチは、訓練可能なエンドツーエンドのディープモデル内で、古典的な画像の事前使用を可能にするため、画像の問題を解決するために魅力的である。
論文参考訳（メタデータ） (2020-06-26T08:34:54Z)
DO-Conv: Depthwise Over-parameterized Convolutional Layer [66.46704754669169]
本稿では,各入力チャネルが異なる2次元カーネルに変換されるような,奥行きの畳み込みを付加した畳み込み層の拡張を提案する。従来の畳み込み層をDO-Conv層に置き換えただけでCNNの性能が向上することを示す。
論文参考訳（メタデータ） (2020-06-22T06:57:10Z)
Infinitely Wide Graph Convolutional Networks: Semi-supervised Learning via Gaussian Processes [144.6048446370369]
グラフ畳み込みニューラルネットワーク(GCN)は近年,グラフに基づく半教師付き半教師付き分類において有望な結果を示した。グラフに基づく半教師付き学習のためのGCN(GPGC)を用いたGP回帰モデルを提案する。 GPGCを評価するための広範囲な実験を行い、他の最先端手法よりも優れていることを示す。
論文参考訳（メタデータ） (2020-02-26T10:02:32Z)
Embedding Graph Auto-Encoder for Graph Clustering [90.8576971748142]
グラフ自動エンコーダ(GAE)モデルは、半教師付きグラフ畳み込みネットワーク(GCN)に基づく我々は、グラフクラスタリングのための特定のGAEベースのモデルを設計し、その理論、すなわち、埋め込みグラフオートエンコーダ(EGAE)と整合する。 EGAEは1つのエンコーダと2つのデコーダで構成される。
論文参考訳（メタデータ） (2020-02-20T09:53:28Z)

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。