Fugu-MT 論文翻訳(概要): Dimensionality of datasets in object detection networks

論文の概要: Dimensionality of datasets in object detection networks

arxiv url: http://arxiv.org/abs/2210.07049v1
Date: Thu, 13 Oct 2022 14:19:16 GMT
ステータス: 処理完了
システム内更新日: 2022-10-14 14:31:15.369340
Title: Dimensionality of datasets in object detection networks
Title（参考訳）: 物体検出ネットワークにおけるデータセットの次元性
Authors: Ajay Chawda, Axel Vierling, Karsten Berns
Abstract要約: 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における多くのタスクで使用される。そのうちの1つは、自律運転のための物体検出である。我々のゴールは、拡張データセットのオブジェクト検出ネットワークの精度に及ぼす固有次元(つまり、データを表すのに必要なパラメータの最小値)の影響を決定することである。
参考スコア（独自算出の注目度）: 0.5801044612920815
License: http://creativecommons.org/licenses/by-sa/4.0/
Abstract: In recent years, convolutional neural networks (CNNs) are used in a large number of tasks in computer vision. One of them is object detection for autonomous driving. Although CNNs are used widely in many areas, what happens inside the network is still unexplained on many levels. Our goal is to determine the effect of Intrinsic dimension (i.e. minimum number of parameters required to represent data) in different layers on the accuracy of object detection network for augmented data sets. Our investigation determines that there is difference between the representation of normal and augmented data during feature extraction.
Abstract（参考訳）: 近年,コンピュータビジョンにおいて,畳み込みニューラルネットワーク(CNN)が多くのタスクに使用されている。その一つが、自動運転のためのオブジェクト検出だ。 CNNは、多くの地域で広く使われているが、ネットワーク内で起こることは、まだ多くのレベルで説明されていない。本研究の目的は,拡張データセットにおける対象検出ネットワークの精度に及ぼす各層内固有次元(すなわちデータ表現に必要な最小パラメータ数)の影響を判定することである。本研究は,特徴抽出中に正規データと拡張データの表現に違いがあることを判定する。

関連論文リスト

Capsules as viewpoint learners for human pose estimation [4.246061945756033]
カメラが大きな視点変化を受けると、ほとんどのニューラルネットワークがうまく一般化できないことを示す。本稿では,高速な変分ベイズルーティングとマトリックスカプセルを用いた,エンドツーエンドのポジショニング等価なカプセルオートエンコーダを提案する。複数のタスクやデータセットに対して、他の望ましい特性を維持しながら、最先端の結果を得る。
論文参考訳（メタデータ） (2023-02-13T09:01:46Z)
What Can Be Learnt With Wide Convolutional Neural Networks? [69.55323565255631]
カーネルシステムにおける無限大の深層CNNについて検討する。我々は,深部CNNが対象関数の空間スケールに適応していることを証明する。我々は、別の深部CNNの出力に基づいて訓練された深部CNNの一般化誤差を計算して結論付ける。
論文参考訳（メタデータ） (2022-08-01T17:19:32Z)
Backbones-Review: Feature Extraction Networks for Deep Learning and Deep Reinforcement Learning Approaches [3.255610188565679]
CNNは、大規模なデータサイズに取り組むだけでなく、特定のタスクのさまざまなシナリオをカバーすることができる。多くのネットワークが提案され、あらゆるAIタスクでDLモデルに使用される有名なネットワークとなっている。バックボーンは、他の多くのタスクでトレーニングされた既知のネットワークであり、その効果を実証する。
論文参考訳（メタデータ） (2022-06-16T09:18:34Z)
Network Comparison Study of Deep Activation Feature Discriminability with Novel Objects [0.5076419064097732]
最先端のコンピュータビジョンアルゴリズムは、Deep Neural Networks(DNN)を特徴抽出に取り入れ、Deep Convolutional Activation Features(DeCAF)を作成する。本研究では、6つの主要な視覚認識DNNアーキテクチャのDeCAF空間に符号化された新しい物体の視覚的外観の一般的な識別可能性について分析する。
論文参考訳（メタデータ） (2022-02-08T07:40:53Z)
Dive into Layers: Neural Network Capacity Bounding using Algebraic Geometry [55.57953219617467]
ニューラルネットワークの学習性はそのサイズと直接関連していることを示す。入力データとニューラルネットワークのトポロジ的幾何学的複雑さを測定するためにベッチ数を用いる。実世界のデータセットMNISTで実験を行い、分析結果と結論を検証した。
論文参考訳（メタデータ） (2021-09-03T11:45:51Z)
Dataset for eye-tracking tasks [0.0]
本稿では、視線追跡タスクのための畳み込みニューラルネットワークのカスタムモデルのトレーニングに適したデータセットを提案する。このデータセットは1万枚の眼画像を416ピクセルから416ピクセルに拡張している。この原稿は、視線追跡装置用のデータセットを作成するためのガイドとみなすことができる。
論文参考訳（メタデータ） (2021-06-01T23:54:23Z)
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)
Understanding the Role of Individual Units in a Deep Neural Network [85.23117441162772]
本稿では,画像分類と画像生成ネットワーク内の隠れ単位を系統的に同定する分析フレームワークを提案する。まず、シーン分類に基づいて訓練された畳み込みニューラルネットワーク(CNN)を分析し、多様なオブジェクト概念にマッチするユニットを発見する。第2に、シーンを生成するために訓練されたGANモデルについて、同様の分析手法を用いて分析する。
論文参考訳（メタデータ） (2020-09-10T17:59:10Z)
Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2020-05-15T23:57:36Z)
When CNNs Meet Random RNNs: Towards Multi-Level Analysis for RGB-D Object and Scene Recognition [10.796613905980609]
オブジェクトおよびシーン認識タスクのための多モードRGB-D画像から識別的特徴表現を抽出する新しいフレームワークを提案する。 CNNアクティベーションの高次元性に対応するため、ランダムな重み付けプール方式が提案されている。実験では、RNNステージにおける完全ランダム化構造がCNNアクティベーションを符号化し、識別的ソリッドな特徴を成功させることを確認した。
論文参考訳（メタデータ） (2020-04-26T10:58:27Z)
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。