論文の概要: CompNet: A Designated Model to Handle Combinations of Images and
Designed features
- arxiv url: http://arxiv.org/abs/2209.14454v1
- Date: Wed, 28 Sep 2022 22:43:22 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-30 16:20:08.847885
- Title: CompNet: A Designated Model to Handle Combinations of Images and
Designed features
- Title（参考訳）: CompNet:画像とデザイン機能の組み合わせを扱う設計モデル
- Authors: Bowen Qiu, Daniela Raicu, Jacob Furst, Roselyne Tchoua
- Abstract要約: 本稿では,複合畳み込みニューラルネットワークであるCompNetを提案する。
分類タスクにこの構造を用いることで,本手法は過度な適合を著しく低減できることを示す。
- 参考スコア（独自算出の注目度）: 0.24596929878045565
- License: http://creativecommons.org/publicdomain/zero/1.0/
- Abstract: Convolutional neural networks (CNNs) are one of the most popular models of
Artificial Neural Networks (ANN)s in Computer Vision (CV). A variety of
CNN-based structures were developed by researchers to solve problems like image
classification, object detection, and image similarity measurement. Although
CNNs have shown their value in most cases, they still have a downside: they
easily overfit when there are not enough samples in the dataset. Most medical
image datasets are examples of such a dataset. Additionally, many datasets also
contain both designed features and images, but CNNs can only deal with images
directly. This represents a missed opportunity to leverage additional
information. For this reason, we propose a new structure of CNN-based model:
CompNet, a composite convolutional neural network. This is a specially designed
neural network that accepts combinations of images and designed features as
input in order to leverage all available information. The novelty of this
structure is that it uses learned features from images to weight designed
features in order to gain all information from both images and designed
features. With the use of this structure on classification tasks, the results
indicate that our approach has the capability to significantly reduce
overfitting. Furthermore, we also found several similar approaches proposed by
other researchers that can combine images and designed features. To make
comparison, we first applied those similar approaches on LIDC and compared the
results with the CompNet results, then we applied our CompNet on the datasets
that those similar approaches originally used in their works and compared the
results with the results they proposed in their papers. All these comparison
results showed that our model outperformed those similar approaches on
classification tasks either on LIDC dataset or on their proposed datasets.
- Abstract（参考訳）: 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(CV)におけるニューラルネットワーク(ANN)の最も一般的なモデルの一つである。
画像分類、物体検出、画像類似度測定などの問題を解決するために、研究者によって様々なCNNベースの構造が開発された。
cnnはほとんどの場合、その価値を示していますが、それでも欠点があります。データセットに十分なサンプルがない場合、簡単に過剰に適合します。
ほとんどの医療画像データセットはそのようなデータセットの例である。
さらに、多くのデータセットには、デザインされた機能とイメージの両方が含まれているが、CNNはイメージを直接扱うことができる。
これは追加情報を活用する機会の欠如を表している。
そこで本研究では,複合畳み込みニューラルネットワーク compnet という cnn モデルの新しい構造を提案する。
これは、画像と特徴の組み合わせを入力として受け入れ、利用可能なすべての情報を活用する特別に設計されたニューラルネットワークである。
この構造の新規性は、画像から学習した特徴を重み付けし、画像と設計した特徴の両方から全ての情報を取得することである。
この構造を分類タスクに使用することにより,提案手法が過剰フィッティングを著しく低減できることを示す。
さらに、他の研究者が提案した、画像とデザイン機能を組み合わせた類似したアプローチもいくつか見出した。
比較するために、まずこれらの類似したアプローチをLIDCに適用し、その結果をCompNetの結果と比較し、その類似したアプローチをもともと研究に用いていたデータセットにCompNetを適用し、論文で提案した結果と比較した。
これらの比較結果は、LIDCデータセットや提案したデータセットの分類タスクにおける類似したアプローチよりも優れていた。
関連論文リスト
- Combined CNN and ViT features off-the-shelf: Another astounding baseline for recognition [49.14350399025926]
本稿では,ImageNet Large Scale Visual Recognition Challengeのために開発された事前学習型アーキテクチャを,近視認識に適用する。
CNNとViTの中間層の特徴は、近視画像に基づいて個人を認識するのに適した方法である。
論文 参考訳（メタデータ） (2024-07-28T11:52:36Z) - Fuzzy Convolution Neural Networks for Tabular Data Classification [0.0]
畳み込みニューラルネットワーク(CNN)は、様々な領域における顕著な性能のために、多くの注目を集めている。
本稿では,表データに適したファジィ畳み込みニューラルネットワーク(FCNN)を提案する。
論文 参考訳（メタデータ） (2024-06-04T20:33:35Z) - DeepDC: Deep Distance Correlation as a Perceptual Image Quality
Evaluator [53.57431705309919]
ImageNet Pre-trained Deep Neural Network (DNN)は、効果的な画像品質評価(IQA)モデルを構築するための顕著な転送性を示す。
我々は,事前学習DNN機能のみに基づく新しいフル参照IQA(FR-IQA)モデルを開発した。
5つの標準IQAデータセット上で,提案した品質モデルの優位性を示すため,包括的実験を行った。
論文 参考訳（メタデータ） (2022-11-09T14:57:27Z) - Large-Margin Representation Learning for Texture Classification [67.94823375350433]
本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。
テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
論文 参考訳（メタデータ） (2022-06-17T04:07:45Z) - Deep ensembles in bioimage segmentation [74.01883650587321]
本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。
アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。
提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
論文 参考訳（メタデータ） (2021-12-24T05:54:21Z) - On the Effectiveness of Neural Ensembles for Image Classification with
Small Datasets [2.3478438171452014]
本稿では,クラスごとのラベル付き例数件による画像分類問題に着目し,比較的小さなネットワークのアンサンブルを用いてデータ効率を向上させる。
比較的浅いネットワークをアンサンブルすることは、小さなデータセットから学ぶための現在の最先端のアプローチよりも一般的に優れている、単純だが効果的な手法であることを示す。
論文 参考訳（メタデータ） (2021-11-29T12:34:49Z) - Deep Features for training Support Vector Machine [16.795405355504077]
本稿では,訓練済みcnnから抽出した特徴に基づく汎用コンピュータビジョンシステムを開発した。
複数の学習特徴を単一の構造に組み合わせ、異なる画像分類タスクに取り組んでいます。
論文 参考訳（メタデータ） (2021-04-08T03:13:09Z) - The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。
本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文 参考訳（メタデータ） (2021-01-29T07:46:39Z) - Combining pretrained CNN feature extractors to enhance clustering of
complex natural images [27.784346095205358]
本稿では,画像クラスタリング(IC)における事前学習CNN機能の利用に関する知見を提供することを目的とする。
そこで本研究では,IC問題をマルチビュークラスタリング(MVC)問題として再構成することを提案する。
次に、MVC問題を効果的に解くためにエンドツーエンドに訓練されたマルチインプットニューラルネットワークアーキテクチャを提案する。
論文 参考訳（メタデータ） (2021-01-07T21:23:04Z) - Fusion of CNNs and statistical indicators to improve image
classification [65.51757376525798]
畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。
この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。
我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
論文 参考訳（メタデータ） (2020-12-20T23:24:31Z) - Inferring Convolutional Neural Networks' accuracies from their
architectural characterizations [0.0]
CNNのアーキテクチャと性能の関係について検討する。
本稿では,2つのコンピュータビジョンに基づく物理問題において,その特性がネットワークの性能を予測できることを示す。
我々は機械学習モデルを用いて、トレーニング前にネットワークが一定のしきい値精度よりも優れた性能を発揮できるかどうかを予測する。
論文 参考訳（メタデータ） (2020-01-07T16:41:58Z)
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。