論文の概要: SelectionConv: Convolutional Neural Networks for Non-rectilinear Image Data

• arxiv url: http://arxiv.org/abs/2207.08979v1
• Date: Mon, 18 Jul 2022 23:20:50 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-20 13:51:39.081368
• Title: SelectionConv: Convolutional Neural Networks for Non-rectilinear Image Data
• Title（参考訳）: SelectionConv:非直線画像データのための畳み込みニューラルネットワーク
• Authors: David Hart, Michael Whitney, Bryan Morse
• Abstract要約: 2次元の畳み込み重みをコピーできる新しい構造化グラフ畳み込み演算子を導入する。 このネットワークは、位置グラフとして表現できる任意のデータを操作することができる。 セグメンテーション,スタイリゼーション,深度予測のための事前訓練済み画像ネットワークの転送結果を示す。
• 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: Convolutional Neural Networks have revolutionized vision applications. There are image domains and representations, however, that cannot be handled by standard CNNs (e.g., spherical images, superpixels). Such data are usually processed using networks and algorithms specialized for each type. In this work, we show that it may not always be necessary to use specialized neural networks to operate on such spaces. Instead, we introduce a new structured graph convolution operator that can copy 2D convolution weights, transferring the capabilities of already trained traditional CNNs to our new graph network. This network can then operate on any data that can be represented as a positional graph. By converting non-rectilinear data to a graph, we can apply these convolutions on these irregular image domains without requiring training on large domain-specific datasets. Results of transferring pre-trained image networks for segmentation, stylization, and depth prediction are demonstrated for a variety of such data forms.
• Abstract（参考訳）: 畳み込みニューラルネットワークは視覚アプリケーションに革命をもたらした。 しかし、標準的なCNN(例えば球面画像、スーパーピクセル)では処理できない画像領域や表現が存在する。 このようなデータは、通常、各タイプに特化したネットワークとアルゴリズムを使用して処理される。 本研究では,そのような空間で動作するために,特別なニューラルネットワークを使用する必要が必ずしもないことを示す。 代わりに、新しい構造化グラフ畳み込み演算子を導入し、2d畳み込み重みをコピーし、トレーニング済みの従来のcnnの機能を新しいグラフネットワークに転送します。 このネットワークは、位置グラフとして表現できる任意のデータを操作することができる。 非線形データをグラフに変換することによって、これらの畳み込みを、大きなドメイン固有のデータセットのトレーニングを必要とせずに、不規則なイメージドメインに適用することができる。 様々なデータ形式に対して, セグメンテーション, スタイリゼーション, 深度予測のための事前学習画像ネットワークの転送結果を示す。

関連論文リスト

• CNN2GNN: How to Bridge CNN with GNN [59.42117676779735]
  蒸留によりCNNとGNNを統一する新しいCNN2GNNフレームワークを提案する。 Mini-ImageNetにおける蒸留ブースターの2層GNNの性能は、ResNet152のような数十層を含むCNNよりもはるかに高い。
  論文  参考訳（メタデータ） (2024-04-23T08:19:08Z)
• Training Convolutional Neural Networks with the Forward-Forward algorithm [1.74440662023704]
  Forward Forward (FF)アルゴリズムは、現在まで完全に接続されたネットワークでしか使われていない。 FFパラダイムをCNNに拡張する方法を示す。 我々のFF学習したCNNは、空間的に拡張された新しいラベリング手法を特徴とし、MNISTの手書き桁データセットにおいて99.16%の分類精度を実現している。
  論文  参考訳（メタデータ） (2023-12-22T18:56:35Z)
• Degree-based stratification of nodes in Graph Neural Networks [66.17149106033126]
  グラフニューラルネットワーク(GNN)アーキテクチャを変更して,各グループのノードに対して,重み行列を個別に学習する。 このシンプルな実装変更により、データセットとGNNメソッドのパフォーマンスが改善されているようだ。
  論文  参考訳（メタデータ） (2023-12-16T14:09:23Z)
• Hyperbolic Convolutional Neural Networks [14.35618845900589]
  データを埋め込みするために非ユークリッド空間を使用すると、より堅牢で説明可能なモデルが得られる。 我々は、データ内の階層をキャプチャする双曲空間の能力は、より良いパフォーマンスをもたらすと仮定する。
  論文  参考訳（メタデータ） (2023-08-29T21:20:16Z)
• Neural Graph Matching for Pre-training Graph Neural Networks [72.32801428070749]
  グラフニューラルネットワーク(GNN)は、構造データのモデリングにおいて強力な能力を示している。 GMPTと呼ばれる新しいグラフマッチングベースのGNN事前学習フレームワークを提案する。 提案手法は,完全自己指導型プレトレーニングと粗粒型プレトレーニングに適用できる。
  論文  参考訳（メタデータ） (2022-03-03T09:53:53Z)
• Graph Kernel Neural Networks [53.91024360329517]
  本稿では、グラフ上の内部積を計算するカーネル関数であるグラフカーネルを用いて、標準畳み込み演算子をグラフ領域に拡張することを提案する。 これにより、入力グラフの埋め込みを計算する必要のない完全に構造的なモデルを定義することができる。 私たちのアーキテクチャでは,任意の種類のグラフカーネルをプラグインすることが可能です。
  論文  参考訳（メタデータ） (2021-12-14T14:48:08Z)
• Variational models for signal processing with Graph Neural Networks [3.5939555573102853]
  本稿では,ニューラルネットワークを用いた点雲の信号処理について述べる。 本研究では,このようなグラフニューラルネットワークの変分モデルを用いて,教師なし学習のためのグラフ上の信号を処理する方法を検討する。
  論文  参考訳（メタデータ） (2021-03-30T13:31:11Z)
• Processing of incomplete images by (graph) convolutional neural networks [7.778461949427663]
  欠落した値を置き換えることなく、不完全な画像からニューラルネットワークを訓練する問題について検討する。 画像はまずグラフとして表現され、欠落したピクセルは完全に無視される。 グラフ画像表現は空間グラフ畳み込みネットワークを用いて処理される。
  論文  参考訳（メタデータ） (2020-10-26T21:40:03Z)
• GCC: Graph Contrastive Coding for Graph Neural Network Pre-Training [62.73470368851127]
  グラフ表現学習は現実世界の問題に対処する強力な手法として登場した。 自己教師付きグラフニューラルネットワーク事前トレーニングフレームワークであるGraph Contrastive Codingを設計する。 3つのグラフ学習タスクと10のグラフデータセットについて実験を行った。
  論文  参考訳（メタデータ） (2020-06-17T16:18:35Z)
• Test-Time Adaptable Neural Networks for Robust Medical Image Segmentation [9.372152932156293]
  畳み込みニューラルネットワーク(CNN)は、教師付き学習問題に対して非常にうまく機能する。 医用画像のセグメンテーションにおいて、この前提は、取得の詳細の観点から、トレーニング画像とテスト画像のミスマッチがある場合に違反する。 比較的浅い画像正規化CNNと、正規化画像を分割する深いCNNの2つのサブネットワークの結合としてセグメンテーションCNNを設計する。
  論文  参考訳（メタデータ） (2020-04-09T16:57:27Z)
• Analyzing Neural Networks Based on Random Graphs [77.34726150561087]
  様々なタイプのランダムグラフに対応するアーキテクチャを用いて,ニューラルネットワークの大規模評価を行う。 古典的な数値グラフ不変量は、それ自体が最良のネットワークを選び出すことができない。 また、主に短距離接続を持つネットワークは、多くの長距離接続が可能なネットワークよりも性能が良いことも見出した。
  論文  参考訳（メタデータ） (2020-02-19T11:04:49Z)

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。