Fugu-MT 論文翻訳(概要): AniWho : A Quick and Accurate Way to Classify Anime Character Faces in Images

論文の概要: AniWho : A Quick and Accurate Way to Classify Anime Character Faces in Images

arxiv url: http://arxiv.org/abs/2208.11012v1
Date: Tue, 23 Aug 2022 14:50:01 GMT
ステータス: 処理完了
システム内更新日: 2022-08-24 12:42:29.776479
Title: AniWho : A Quick and Accurate Way to Classify Anime Character Faces in Images
Title（参考訳）: aniwho : 画像中のアニメキャラクタ顔を素早く正確に分類する方法
Authors: Martinus Grady Naftali, Jason Sebastian Sulistyawan, Kelvin Julian and Felix Indra Kurniadi
Abstract要約: 本稿では,EfficientNet-B7が85.08%の精度で高い精度を示した。本稿では,プロトタイプネットワーク(Prototypeal Networks)という,数発の学習フレームワークも使用し,良好な結果を得た。
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 paper aims to dive more deeply into various models available, including; InceptionV3, InceptionResNetV2, MobileNetV2, and EfficientNetB7 using transfer learning, to classify Japanese animation-style character faces. This paper has shown that EfficientNet-B7 has the highest accuracy rate with 85.08\% top-1 Accuracy, followed by MobileNetV2, having a slightly less accurate result but with the benefits of much lower inference time and fewer number of required parameters. This paper also uses a few-shot learning framework, specifically Prototypical Networks, which produces decent results that can be used as an alternative to traditional transfer learning methods.
Abstract（参考訳）: 本稿では,移動学習を用いたInceptionV3,InceptionResNetV2,MobileNetV2,EfficientNetB7など,さまざまなモデルに深く掘り下げて,日本語のアニメーションスタイルの文字顔の分類を行う。本稿では, 効率の高いNet-B7が85.08\%のTop-1の精度で高い精度を示し, その後MobileNetV2が続き, 精度はわずかに低いが, 推論時間が少なく, 必要なパラメータの数が少ない。本稿では,従来の移動学習手法の代替として使用可能な,数ショットの学習フレームワーク,特にPrototypeal Networksを使用する。

関連論文リスト

Improved Adaboost Algorithm for Web Advertisement Click Prediction Based on Long Short-Term Memory Networks [2.7959678888027906]
本稿では,Long Short-Term Memory Networks (LSTM) に基づくAdaboostアルゴリズムの改良について検討する。いくつかの一般的な機械学習アルゴリズムと比較することにより、広告クリック予測における新しいモデルの利点を分析する。提案手法は,ユーザの広告クリック予測において92%の精度で良好に動作することを示す。
論文参考訳（メタデータ） (2024-08-08T03:27:02Z)
A Light-weight Deep Learning Model for Remote Sensing Image Classification [70.66164876551674]
リモートセンシング画像分類(RSIC)のための高性能で軽量なディープラーニングモデルを提案する。 NWPU-RESISC45ベンチマークで広範な実験を行うことで、提案した教師学生モデルは最先端システムより優れている。
論文参考訳（メタデータ） (2023-02-25T09:02:01Z)
Optimization Planning for 3D ConvNets [123.43419144051703]
3次元畳み込みニューラルネットワーク(3D ConvNets)を最適に学習するのは簡単ではない。パスを一連のトレーニング“状態”に分解し、各状態におけるハイパーパラメータ、例えば学習率と入力クリップの長さを指定する。我々は全ての候補状態に対して動的プログラミングを行い、最適な状態の置換、すなわち最適化経路を計画する。
論文参考訳（メタデータ） (2022-01-11T16:13:31Z)
EfficientNetV2: Smaller Models and Faster Training [91.77432224225221]
本稿では,従来のモデルよりも高速な学習速度とパラメータ効率を有する畳み込みネットワークであるEfficientNetV2を紹介する。トレーニング対応のニューラルネットワークアーキテクチャ検索とスケーリングを組み合わせて、トレーニング速度とパラメータ効率を共同で最適化します。実験の結果,EfficientNetV2モデルは最先端モデルよりも最大6.8倍の速度でトレーニングできることがわかった。
論文参考訳（メタデータ） (2021-04-01T07:08:36Z)
Automated Cleanup of the ImageNet Dataset by Model Consensus, Explainability and Confident Learning [0.0]
ImageNetは、ILSVRC12Netでトレーニングされた様々な畳み込みニューラルネットワーク(CNN)のバックボーンである。本稿では,モデルのコンセンサス,説明可能性,自信のある学習に基づく自動アプリケーションについて述べる。 ImageNet-CleanはSqueezeNetおよびEfficientNet-B0モデルのモデルパフォーマンスを2-2.4%向上させる。
論文参考訳（メタデータ） (2021-03-30T13:16:35Z)
EfficientPose: Efficient Human Pose Estimation with Neural Architecture Search [47.30243595690131]
効率的なバックボーンと効率的なヘッドの2つの部分を含む、人間のポーズ推定を目的とした効率的なフレームワークを提案します。我々の最小モデルは、MPIIで88.1%のPCKh@0.5の0.65 GFLOPしか持たず、我々の大モデルは2 GFLOPしか持たないが、その精度は最先端の大型モデルと競合する。
論文参考訳（メタデータ） (2020-12-13T15:38:38Z)
Big Self-Supervised Models are Strong Semi-Supervised Learners [116.00752519907725]
ImageNet上での半教師あり学習に驚くほど効果的であることを示す。我々のアプローチの重要な要素は、事前訓練と微調整において大きな(深度と広度)ネットワークを使用することである。ラベルが少なくなればなるほど、より大きなネットワークから、このアプローチ(ラベル付きデータのタスクに依存しない使用)が恩恵を受けることが分かっています。
論文参考訳（メタデータ） (2020-06-17T17:48:22Z)
Fixing the train-test resolution discrepancy: FixEfficientNet [98.64315617109344]
本稿では,複数のトレーニング手順を用いて,効率的なNet画像分類器の性能解析を行う。 FixEfficientNetと呼ばれる結果のネットワークは、同じ数のパラメータで初期アーキテクチャを著しく上回る。
論文参考訳（メタデータ） (2020-03-18T14:22:58Z)
A Simple Framework for Contrastive Learning of Visual Representations [116.37752766922407]
本稿では,視覚表現のコントラスト学習のためのシンプルなフレームワークであるSimCLRについて述べる。我々は,データ拡張の構成が効果的な予測タスクを定義する上で重要な役割を担っていることを示す。我々は、ImageNet上での自己教師付き半教師付き学習において、従来の手法よりもかなり優れています。
論文参考訳（メタデータ） (2020-02-13T18:50:45Z)

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。