論文の概要: Translated Skip Connections -- Expanding the Receptive Fields of Fully Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2211.02111v1
• Date: Thu, 3 Nov 2022 19:30:40 GMT
• ステータス: 処理完了
• システム内更新日: 2022-11-07 16:25:16.010716
• Title: Translated Skip Connections -- Expanding the Receptive Fields of Fully Convolutional Neural Networks
• Title（参考訳）: 翻訳スキップ接続 - 完全な畳み込みニューラルネットワークの受容領域を拡張する
• Authors: Joshua Bruton and Hairong Wang
• Abstract要約: 本稿では,従来のスキップ接続を拡張したニューラルネットワークモジュールを提案する。 変換されたスキップ接続は、パラメータ空間のサイズと計算複雑性の両方に無視できる影響で、アーキテクチャの受容領域を幾何的に増加させる。
• 参考スコア（独自算出の注目度）: 0.5584060970507506
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The effective receptive field of a fully convolutional neural network is an important consideration when designing an architecture, as it defines the portion of the input visible to each convolutional kernel. We propose a neural network module, extending traditional skip connections, called the translated skip connection. Translated skip connections geometrically increase the receptive field of an architecture with negligible impact on both the size of the parameter space and computational complexity. By embedding translated skip connections into a benchmark architecture, we demonstrate that our module matches or outperforms four other approaches to expanding the effective receptive fields of fully convolutional neural networks. We confirm this result across five contemporary image segmentation datasets from disparate domains, including the detection of COVID-19 infection, segmentation of aerial imagery, common object segmentation, and segmentation for self-driving cars.
• Abstract（参考訳）: 完全な畳み込みニューラルネットワークの効果的な受容分野は、各畳み込みカーネルで見える入力の一部を定義するため、アーキテクチャの設計において重要な考慮事項である。 本稿では,従来のスキップ接続を拡張したニューラルネットワークモジュールであるtranslate skip connectionを提案する。 変換されたスキップ接続は、パラメータ空間のサイズと計算複雑性の両方に無視できる影響で、アーキテクチャの受容領域を幾何学的に増加させる。 翻訳されたスキップ接続をベンチマークアーキテクチャに埋め込むことで、我々のモジュールは完全な畳み込みニューラルネットワークの効果的な受容領域を拡張するために、他の4つのアプローチと一致または性能を向上することを示した。 我々は、新型コロナウイルス感染の検出、空中画像の分割、共通の対象の分割、自動運転車のセグメンテーションを含む、異なるドメインからの5つの現代画像セグメンテーションデータセットでこの結果を確認した。

関連論文リスト

• The Dynamic Net Architecture: Learning Robust and Holistic Visual Representations Through Self-Organizing Networks [3.9848584845601014]
  動的ネットアーキテクチャ(DNA)と呼ばれる新しいインテリジェントシステムアーキテクチャを提案する。 DNAは繰り返し安定化されたネットワークに依存し、それを視覚に応用するために議論する。
  論文  参考訳（メタデータ） (2024-07-08T06:22:10Z)
• Residual Graph Convolutional Network for Bird's-Eye-View Semantic Segmentation [3.8073142980733]
  本稿では,Residual Graph Convolutional (RGC) モジュールを深層CNNに組み込むことを提案する。 RGCモジュールは、完全なBird's-Eye-View (BEV)情報をグラフ空間に効率的に投影する。 RGCネットワークは、IoUとmIoUの4つの最先端ネットワークと4つの変種を上回ります。
  論文  参考訳（メタデータ） (2023-12-07T05:04:41Z)
• Deep Architecture Connectivity Matters for Its Convergence: A Fine-Grained Analysis [94.64007376939735]
  我々は、勾配降下訓練におけるディープニューラルネットワーク(DNN)の収束に対する接続パターンの影響を理論的に特徴づける。 接続パターンの単純なフィルタリングによって、評価対象のモデルの数を削減できることが示される。
  論文  参考訳（メタデータ） (2022-05-11T17:43:54Z)
• M-FasterSeg: An Efficient Semantic Segmentation Network Based on Neural Architecture Search [0.0]
  本稿では,ディープラーニングネットワークに基づくセマンティックセグメンテーションネットワークの改良構造を提案する。 まず、ニューラルネットワーク探索法NAS(Neural Architecture Search)を用いて、複数の解像度分岐を持つセマンティックセグメンテーションネットワークを求める。 検索プロセスでは、自己注意ネットワーク構造モジュールを結合して、探索したニューラルネットワーク構造を調整し、異なるブランチによって探索されたセマンティックセマンティックセマンティックネットワークを結合して、高速なセマンティックセマンティックセマンティックネットワーク構造を形成する。
  論文  参考訳（メタデータ） (2021-12-15T06:46:55Z)
• 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)
• Joint Learning of Neural Transfer and Architecture Adaptation for Image Recognition [77.95361323613147]
  現在の最先端の視覚認識システムは、大規模データセット上でニューラルネットワークを事前トレーニングし、より小さなデータセットでネットワーク重みを微調整することに依存している。 本稿では,各ドメインタスクに適応したネットワークアーキテクチャの動的適応と,効率と効率の両面で重みの微調整の利点を実証する。 本手法は,ソースドメインタスクでスーパーネットトレーニングを自己教師付き学習に置き換え,下流タスクで線形評価を行うことにより,教師なしパラダイムに容易に一般化することができる。
  論文  参考訳（メタデータ） (2021-03-31T08:15:17Z)
• Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
  動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。 ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
  論文  参考訳（メタデータ） (2020-10-02T16:50:26Z)
• Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
  本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。 接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。 この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
  論文  参考訳（メタデータ） (2020-08-19T04:53:31Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。