論文の概要: Improving Convolutional Neural Networks for Fault Diagnosis by
Assimilating Global Features
- arxiv url: http://arxiv.org/abs/2210.01077v1
- Date: Mon, 3 Oct 2022 16:49:16 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-04 17:57:33.990732
- Title: Improving Convolutional Neural Networks for Fault Diagnosis by
Assimilating Global Features
- Title（参考訳）: グローバル特徴の同化による畳み込みニューラルネットワークの故障診断への応用
- Authors: Saif S. S. Al-Wahaibi and Qiugang Lu
- Abstract要約: 本稿では, 局所的・グローバル的特徴を考慮した局所的CNNアーキテクチャを提案する。
提案したLG-CNNは,モデル複雑性を大幅に増大させることなく,故障診断性能を大幅に向上させることができる。
- 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: Deep learning techniques have become prominent in modern fault diagnosis for
complex processes. In particular, convolutional neural networks (CNNs) have
shown an appealing capacity to deal with multivariate time-series data by
converting them into images. However, existing CNN techniques mainly focus on
capturing local or multi-scale features from input images. A deep CNN is often
required to indirectly extract global features, which are critical to describe
the images converted from multivariate dynamical data. This paper proposes a
novel local-global CNN (LG-CNN) architecture that directly accounts for both
local and global features for fault diagnosis. Specifically, the local features
are acquired by traditional local kernels whereas global features are extracted
by using 1D tall and fat kernels that span the entire height and width of the
image. Both local and global features are then merged for classification using
fully-connected layers. The proposed LG-CNN is validated on the benchmark
Tennessee Eastman process (TEP) dataset. Comparison with traditional CNN shows
that the proposed LG-CNN can greatly improve the fault diagnosis performance
without significantly increasing the model complexity. This is attributed to
the much wider local receptive field created by the LG-CNN than that by CNN.
The proposed LG-CNN architecture can be easily extended to other image
processing and computer vision tasks.
- Abstract（参考訳）: 深層学習技術は、複雑なプロセスの現代の故障診断において顕著になっている。
特に、畳み込みニューラルネットワーク(CNN)は、画像を変換することで、多変量時系列データを扱う魅力的な能力を示している。
しかし、既存のcnn技術は主に入力画像からローカルまたはマルチスケールの特徴を捉えることに焦点を当てている。
深部CNNは、多変量動的データから変換された画像を記述するのに重要なグローバルな特徴を間接的に抽出するためにしばしば必要とされる。
本稿では,障害診断のための局所的特徴とグローバル的特徴の両方を直接考慮した,新たなローカルグローバルcnn(lg-cnn)アーキテクチャを提案する。
特に、局所的な特徴は伝統的な局所的なカーネルによって獲得され、グローバルな特徴は画像の高さと幅にまたがる1dの高さと太いカーネルを用いて抽出される。
ローカルとグローバル両方の機能は、完全に接続されたレイヤを使用して分類するためにマージされる。
提案されたLG-CNNは、テネシー・イーストマン・プロセス(TEP)のベンチマークデータセットで検証されている。
従来のCNNと比較すると,LG-CNNはモデル複雑性を大幅に増大させることなく,故障診断性能を大幅に向上させることができる。
これは、LG-CNNがCNNよりも遥かに広い局所受容領域に起因している。
提案したLG-CNNアーキテクチャは、他の画像処理やコンピュータビジョンタスクに容易に拡張できる。
関連論文リスト
- Model Parallel Training and Transfer Learning for Convolutional Neural Networks by Domain Decomposition [0.0]
ディープ畳み込みニューラルネットワーク(CNN)は、幅広い画像処理アプリケーションで非常に成功したことが示されている。
モデルパラメータの増大と大量のトレーニングデータの増加により、複雑なCNNを効率的に訓練するための並列化戦略が必要である。
論文 参考訳（メタデータ） (2024-08-26T17:35:01Z) - 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) - ALOFT: A Lightweight MLP-like Architecture with Dynamic Low-frequency
Transform for Domain Generalization [15.057335610188545]
ドメイン・ドメイン(DG)は、再トレーニングすることなく、複数のソース・ドメインを利用する未確認のターゲット・ドメインに適切に一般化するモデルを学ぶことを目的としています。
既存のDG作品の多くは畳み込みニューラルネットワーク(CNN)に基づいている。
論文 参考訳（メタデータ） (2023-03-21T08:36:34Z) - A Domain Decomposition-Based CNN-DNN Architecture for Model Parallel Training Applied to Image Recognition Problems [0.0]
モデル並列トレーニング戦略を自然にサポートする新しいCNN-DNNアーキテクチャを提案する。
提案手法は,グローバルモデルと比較して,必要なトレーニング時間を著しく短縮することができる。
その結果,提案手法は,基礎となる分類問題の精度向上にも有効であることが示唆された。
論文 参考訳（メタデータ） (2023-02-13T18:06:59Z) - A heterogeneous group CNN for image super-resolution [127.2132400582117]
畳み込みニューラルネットワーク(CNN)は、深いアーキテクチャを通して顕著な性能を得た。
異種グループSR CNN(HGSRCNN)を,異なるタイプの構造情報を利用して高品質な画像を得る。
論文 参考訳（メタデータ） (2022-09-26T04:14:59Z) - Towards a General Purpose CNN for Long Range Dependencies in
$\mathrm{N}$D [49.57261544331683]
構造変化のない任意の解像度,次元,長さのタスクに対して,連続的な畳み込みカーネルを備えた単一CNNアーキテクチャを提案する。
1$mathrmD$)とビジュアルデータ(2$mathrmD$)の幅広いタスクに同じCCNNを適用することで、我々のアプローチの汎用性を示す。
私たちのCCNNは競争力があり、検討されたすべてのタスクで現在の最先端を上回ります。
論文 参考訳（メタデータ） (2022-06-07T15:48:02Z) - SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。
近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。
本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。
本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文 参考訳（メタデータ） (2022-05-31T15:55:37Z) - Image Super-resolution with An Enhanced Group Convolutional Neural
Network [102.2483249598621]
学習能力の強いCNNは、超解像問題を解くために広く選択されている。
浅層構造を持つ超解像群CNN(ESRGCNN)を提案する。
ESRGCNNは、SISRの性能、複雑さ、実行速度、画質評価およびSISRの視覚効果の観点から、最先端技術を上回っていると報告されている。
論文 参考訳（メタデータ） (2022-05-29T00:34:25Z) - RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN
for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。
実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。
その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
論文 参考訳（メタデータ） (2021-09-19T15:57:20Z) - 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)
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。