論文の概要: Demystifying CNNs for Images by Matched Filters
- arxiv url: http://arxiv.org/abs/2210.08521v1
- Date: Sun, 16 Oct 2022 12:39:17 GMT
- ステータス: 処理完了
- システム内更新日: 2022-10-18 20:57:11.905671
- Title: Demystifying CNNs for Images by Matched Filters
- Title（参考訳）: マッチングフィルタによる画像用CNNの復調
- Authors: Shengxi Li, Xinyi Zhao, Ljubisa Stankovic, Danilo Mandic
- Abstract要約: 畳み込みニューラルネットワーク(CNN)は、ビッグデータ時代のインテリジェントマシンのアプローチと使用方法に革命をもたらしています。
CNNは、そのテキストブラックボックスの性質と、その操作の理論的サポートと物理的意味の欠如により、精査されている。
本稿では,マッチングフィルタリングの観点を用いて,CNNの動作を復調する手法を提案する。
- 参考スコア（独自算出の注目度）: 13.121514086503591
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The success of convolution neural networks (CNN) has been revolutionising the
way we approach and use intelligent machines in the Big Data era. Despite
success, CNNs have been consistently put under scrutiny owing to their
\textit{black-box} nature, an \textit{ad hoc} manner of their construction,
together with the lack of theoretical support and physical meanings of their
operation. This has been prohibitive to both the quantitative and qualitative
understanding of CNNs, and their application in more sensitive areas such as AI
for health. We set out to address these issues, and in this way demystify the
operation of CNNs, by employing the perspective of matched filtering. We first
illuminate that the convolution operation, the very core of CNNs, represents a
matched filter which aims to identify the presence of features in input data.
This then serves as a vehicle to interpret the convolution-activation-pooling
chain in CNNs under the theoretical umbrella of matched filtering, a common
operation in signal processing. We further provide extensive examples and
experiments to illustrate this connection, whereby the learning in CNNs is
shown to also perform matched filtering, which further sheds light onto
physical meaning of learnt parameters and layers. It is our hope that this
material will provide new insights into the understanding, constructing and
analysing of CNNs, as well as paving the way for developing new methods and
architectures of CNNs.
- Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)の成功は、ビッグデータ時代のインテリジェントマシンのアプローチと使用方法に革命をもたらしています。
成功にもかかわらず、cnnは、理論的な支援や操作の物理的意味の欠如とともに、構築の方法である \textit{black-box} という性質から、一貫して精査されている。
これは、CNNの量的および質的な理解と、その健康のためのAIのようなより敏感な分野への応用の両方に禁じられている。
そこで我々は,これらの問題に対処し,マッチングフィルタリングの観点を用いてCNNの動作をデミスティフィケートした。
まず、CNNのコアである畳み込み操作は、入力データ中の特徴の存在を特定することを目的としたマッチングフィルタであることを示す。
これは、CNNにおける畳み込み活性化プールチェーンを、信号処理における一般的な操作であるマッチングフィルタリングの理論的傘の下で解釈する手段として機能する。
さらに,この関係を説明するための広範な例や実験を行い,cnnにおける学習がマッチングフィルタリングを行うことを示し,学習パラメータやレイヤーの物理的意味に光を当てる。
この資料は、cnnの理解、構築、分析に関する新たな洞察を提供し、cnnの新しい手法やアーキテクチャを開発するための道を開くことを期待しています。
関連論文リスト
- A Neurosymbolic Framework for Bias Correction in Convolutional Neural Networks [2.249916681499244]
我々は、訓練されたCNNにおいて、バイアス補正のためのNeSyBiCorと呼ばれるニューロシンボリックフレームワークを導入する。
我々のフレームワークは、"Places"データセットのサブセットでトレーニングされたCNNのバイアスを修正することに成功した。
論文 参考訳（メタデータ） (2024-05-24T19:09:53Z) - Understanding and Improving CNNs with Complex Structure Tensor: A Biometrics Study [47.03015281370405]
本研究では,コンパクトな配向特徴を持つ複合構造を用いることで,グレースケール入力のみを使用する場合と比較して,識別精度が向上することを示す。
このことは、哺乳類の視界で見られる戦略であるCNNにおける配向機能の事前利用が、それらの制限を緩和するだけでなく、その説明可能性や細い自転車との関連性を高めることを示唆している。
論文 参考訳（メタデータ） (2024-04-24T02:51:13Z) - PICNN: A Pathway towards Interpretable Convolutional Neural Networks [12.31424771480963]
フィルタと画像のクラス間の絡み合いを軽減する新しい経路を導入する。
我々はBernoulliサンプリングを用いて、学習可能なフィルタクラス対応行列からフィルタクラスタ割り当て行列を生成する。
提案手法の有効性を,広く使用されている10のネットワークアーキテクチャ上で評価する。
論文 参考訳（メタデータ） (2023-12-19T11:36:03Z) - Transferability of Convolutional Neural Networks in Stationary Learning
Tasks [96.00428692404354]
本稿では,大規模な空間問題に対する畳み込みニューラルネットワーク(CNN)の効率的なトレーニングのための新しいフレームワークを提案する。
このような信号の小さなウィンドウで訓練されたCNNは、再学習することなく、はるかに大きなウィンドウでほぼ性能を発揮することを示す。
以上の結果から,CNNは10人未満の訓練を受けた後,数百人のエージェントによる問題に対処できることが示唆された。
論文 参考訳（メタデータ） (2023-07-21T13:51:45Z) - A novel feature-scrambling approach reveals the capacity of
convolutional neural networks to learn spatial relations [0.0]
畳み込みニューラルネットワーク(CNN)は、物体認識を解く最も成功したコンピュータビジョンシステムの一つである。
しかし、CNNが実際にどのように決断を下すのか、内部表現の性質や認識戦略が人間とどのように異なるのかは、いまだに理解されていない。
論文 参考訳（メタデータ） (2022-12-12T16:40:29Z) - Deeply Explain CNN via Hierarchical Decomposition [75.01251659472584]
コンピュータビジョンにおいて、CNNの説明に寄与するいくつかの手法は、中間的特徴がネットワーク予測にどのように影響するかを研究する。
本稿では,CNNの意思決定過程をトップダウンで説明する階層的な分解フレームワークを提案する。
論文 参考訳（メタデータ） (2022-01-23T07:56:04Z) - Convolutional Neural Networks Demystified: A Matched Filtering
Perspective Based Tutorial [7.826806223782053]
畳み込みニューラルネットワーク(CNN)は、大量の信号や画像を分析するためのデファクト標準である。
我々は、最初の原則と一致するフィルタリングの観点から、それらの操作を再考する。
このチュートリアルが、深層ニューラルネットワークの理解とさらなる発展に新たな光と物理的直感をもたらすことを願っています。
論文 参考訳（メタデータ） (2021-08-26T09:07:49Z) - BreakingBED -- Breaking Binary and Efficient Deep Neural Networks by
Adversarial Attacks [65.2021953284622]
CNNのホワイトボックス攻撃やブラックボックス攻撃に対する堅牢性について検討する。
結果は、蒸留されたCNN、エージェントベースの最新のprunedモデル、およびバイナライズニューラルネットワークのために示されています。
論文 参考訳（メタデータ） (2021-03-14T20:43:19Z) - 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) - Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。
アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。
トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文 参考訳（メタデータ） (2020-03-03T07:27:44Z) - Hybrid Tiled Convolutional Neural Networks for Text Sentiment
Classification [3.0204693431381515]
階層型畳み込みニューラルネットワーク(CNN)のアーキテクチャを調整し、感情分析のための健全な特徴の抽出を改善する。
NLP分野におけるタイル付きCNNの大きな欠点は、その柔軟性のないフィルタ構造であることを認識し、我々はハイブリッドタイル付きCNNと呼ばれる新しいアーキテクチャを提案する。
IMDBの映画レビューとSemEval 2017のデータセットの実験は、ハイブリッドタイルCNNの効率を実証している。
論文 参考訳（メタデータ） (2020-01-31T14:08:15Z)
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。