論文の概要: Convolutional Neural Networks: Basic Concepts and Applications in Manufacturing

• arxiv url: http://arxiv.org/abs/2210.07848v1
• Date: Fri, 14 Oct 2022 14:18:51 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-17 16:59:33.495696
• Title: Convolutional Neural Networks: Basic Concepts and Applications in Manufacturing
• Title（参考訳）: 畳み込みニューラルネットワークの基礎概念と製造への応用
• Authors: Shengli Jiang, Shiyi Qin, Joshua L. Pulsipher, Victor M. Zavala
• Abstract要約: 本稿では、畳み込みニューラルネットワーク(CNN)の基本概念と製造における用途の概要について論じる。 まず、製造で一般的に遭遇するさまざまなタイプのデータオブジェクトが、テンソルやグラフを使って柔軟な方法でどのように表現できるかについて議論する。 次に、CNNが畳み込み操作を用いて情報的特徴を抽出し、創発的特性や現象を予測し、異常を識別する方法について論じる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We discuss basic concepts of convolutional neural networks (CNNs) and outline uses in manufacturing. We begin by discussing how different types of data objects commonly encountered in manufacturing (e.g., time series, images, micrographs, videos, spectra, molecular structures) can be represented in a flexible manner using tensors and graphs. We then discuss how CNNs use convolution operations to extract informative features (e.g., geometric patterns and textures) from the such representations to predict emergent properties and phenomena and/or to identify anomalies. We also discuss how CNNs can exploit color as a key source of information, which enables the use of modern computer vision hardware (e.g., infrared, thermal, and hyperspectral cameras). We illustrate the concepts using diverse case studies arising in spectral analysis, molecule design, sensor design, image-based control, and multivariate process monitoring.
• Abstract（参考訳）: 本稿では、畳み込みニューラルネットワーク(CNN)の基本概念と製造における用途の概要について論じる。 まず、製造でよく見られるさまざまな種類のデータオブジェクト(例えば、時系列、画像、マイクログラフ、ビデオ、スペクトル、分子構造)が、テンソルとグラフを使って柔軟に表現できるかについて議論する。 次に,cnnが畳み込み操作を用いて,そのような表現から情報的特徴(幾何学的パターンやテクスチャなど)を抽出し,創発的特性や現象を予測し,あるいは異常を識別する方法について議論する。 また,最新のコンピュータビジョンハードウェア(赤外線,熱,ハイパースペクトルカメラなど)の利用を可能にするために,cnnがカラーを重要な情報源として活用する方法についても論じる。 本稿では,スペクトル分析,分子設計,センサ設計,イメージベース制御,多変量プロセス監視といった多様なケーススタディを用いて概念を説明する。

関連論文リスト

• An Interpretable Neural Network for Vegetation Phenotyping with Visualization of Trait-Based Spectral Features [0.0]
  UPWINS スペクトルライブラリーで訓練された解釈可能なニューラルネットワークで, 種, 健康, 成長段階, 年次変動, 環境条件など, 13種の指標種, 天然の共通背景種を多種多様なメタデータで分析した。 ネットワーク内のニューロンは, ネットワーク重量の可視化を通じて, 化学的および生理的特性のスペクトル指標を学習し, それらの特性が, 実験セット上で90%の精度で, 種同定のためのネットワークによってどのように結合されているかを示す。
  論文  参考訳（メタデータ） (2024-07-14T21:20:37Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Mechanistic Neural Networks for Scientific Machine Learning [58.99592521721158]
  我々は、科学における機械学習応用のためのニューラルネットワーク設計であるメカニスティックニューラルネットワークを提案する。 新しいメカニスティックブロックを標準アーキテクチャに組み込んで、微分方程式を表現として明示的に学習する。 我々のアプローチの中心は、線形プログラムを解くために線形ODEを解く技術に着想を得た、新しい線形計画解法(NeuRLP)である。
  論文  参考訳（メタデータ） (2024-02-20T15:23:24Z)
• A Deep Network for Explainable Prediction of Non-Imaging Phenotypes using Anatomical Multi-View Data [9.256592555127806]
  我々は,脳の解剖学的構造を複数の特徴セットで記述した解剖学的多視点データについて検討した。 本稿では,異なる解剖学的ビューを用いて予測性能を向上させるための説明可能なマルチビューネットワーク(EMV-Net)を提案する。
  論文  参考訳（メタデータ） (2024-01-09T14:33:01Z)
• A Survey on Graph Neural Networks and Graph Transformers in Computer Vision: A Task-Oriented Perspective [71.03621840455754]
  グラフニューラルネットワーク(GNN)はグラフ表現学習において勢いを増している。 Graph Transformerは、グラフ構造をTransformerアーキテクチャに組み込んで、局所的な近傍集約の制限を克服します。 本稿では,タスク指向の観点から,コンピュータビジョンにおけるGNNとグラフトランスフォーマーの総合的なレビューを行う。
  論文  参考訳（メタデータ） (2022-09-27T08:10:14Z)
• Feature visualization for convolutional neural network models trained on neuroimaging data [0.0]
  畳み込みニューラルネットワーク(CNN)の機能可視化による最初の結果を示す。 我々は、MRIデータに基づく性分類や人為的病変分類など、さまざまなタスクのためにCNNを訓練した。 得られた画像は、その形状を含む人工的な病変の学習概念を明らかにするが、性分類タスクにおける抽象的な特徴を解釈することは困難である。
  論文  参考訳（メタデータ） (2022-03-24T15:24:38Z)
• A photonic chip-based machine learning approach for the prediction of molecular properties [11.55177943027656]
  フォトニックチップ技術は、より高速なデータ処理と低エネルギー使用量でニューラルネットワークを実装するための代替プラットフォームを提供する。 分子の量子力学特性の予測におけるフォトニックニューラルネットワークの有用性を実証する。 我々の研究は、分子科学における大規模機械学習応用にフォトニック技術を活用するための道を開く。
  論文  参考訳（メタデータ） (2022-03-03T03:15:14Z)
• Discrete-Valued Neural Communication [85.3675647398994]
  コンポーネント間で伝達される情報を離散表現に制限することは、有益なボトルネックであることを示す。 個人は「猫」が特定の経験に基づいて何であるかについて異なる理解を持っているが、共有された離散トークンは、個人間のコミュニケーションが内部表現の個人差によって切り離されることを可能にする。 我々は、量子化機構をベクトル量子化変分オートコーダから共有符号ブックによる多頭部離散化に拡張し、離散値ニューラル通信に利用する。
  論文  参考訳（メタデータ） (2021-07-06T03:09:25Z)
• 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)
• Neural Cellular Automata Manifold [84.08170531451006]
  ニューラルセルラーオートマタのニューラルネットワークアーキテクチャは、より大きなNNにカプセル化可能であることを示す。 これにより、NAAの多様体を符号化する新しいモデルを提案し、それぞれが異なる画像を生成することができる。 生物学的には、我々のアプローチは転写因子の役割を担い、細胞の分化を促進する特定のタンパク質への遺伝子マッピングを調節する。
  論文  参考訳（メタデータ） (2020-06-22T11:41:57Z)
• An Information-theoretic Visual Analysis Framework for Convolutional Neural Networks [11.15523311079383]
  CNNモデルから抽出可能なデータを整理するデータモデルを提案する。 次に、異なる状況下でエントロピーを計算する2つの方法を提案する。 我々は,モデル内の情報変化量をインタラクティブに探索する視覚解析システムCNNSlicerを開発した。
  論文  参考訳（メタデータ） (2020-05-02T21:36:50Z)

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。