論文の概要: ButterflyNet2D: Bridging Classical Methods and Neural Network Methods in Image Processing

• arxiv url: http://arxiv.org/abs/2211.16578v1
• Date: Tue, 29 Nov 2022 20:20:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-01 16:30:21.813955
• Title: ButterflyNet2D: Bridging Classical Methods and Neural Network Methods in Image Processing
• Title（参考訳）: ButterflyNet2D: 画像処理における古典的手法とニューラルネットワーク手法
• Authors: Gengzhi Yang, Yingzhou Li
• Abstract要約: 古典的なフーリエ変換法とニューラルネットワーク法は、画像処理タスクで広く使われている。 本稿では,疎チャネル接続を有する通常のCNNであるButterflyNet2Dを紹介する。
• 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: Both classical Fourier transform-based methods and neural network methods are widely used in image processing tasks. The former has better interpretability, whereas the latter often achieves better performance in practice. This paper introduces ButterflyNet2D, a regular CNN with sparse cross-channel connections. A Fourier initialization strategy for ButterflyNet2D is proposed to approximate Fourier transforms. Numerical experiments validate the accuracy of ButterflyNet2D approximating both the Fourier and the inverse Fourier transforms. Moreover, through four image processing tasks and image datasets, we show that training ButterflyNet2D from Fourier initialization does achieve better performance than random initialized neural networks.
• Abstract（参考訳）: 古典的なフーリエ変換法とニューラルネットワーク法は画像処理タスクで広く使われている。 前者は解釈性が良く、後者は実行時のパフォーマンスが良くなる。 本稿では,疎チャネル接続を有する通常のCNNであるButterflyNet2Dを紹介する。 ButterflyNet2Dのフーリエ初期化戦略はフーリエ変換を近似するために提案される。 フーリエ変換と逆フーリエ変換の両方を近似したバタフライネット2Dの精度を数値実験により検証した。 さらに,4つの画像処理タスクと画像データセットを通じて,フーリエ初期化からのbutteritenet2dのトレーニングが,ランダム初期化ニューラルネットワークよりも優れたパフォーマンスを実現することを示す。

関連論文リスト

• Fourier Controller Networks for Real-Time Decision-Making in Embodied Learning [42.862705980039784]
  Transformerは、時間変化のある特徴をモデル化するための強化学習を約束している。 データ効率の低下と推論遅延の低さに悩まされている。 本稿では,周波数領域の新しい視点から課題を考察する。
  論文  参考訳（メタデータ） (2024-05-30T09:43:59Z)
• FourierHandFlow: Neural 4D Hand Representation Using Fourier Query Flow [55.61843393812704]
  最近の4次元形状表現は、明瞭な形状間の暗黙の対応を捉えたり、ジッタリー時間変形を規則化するものではない。 音声による手指の時間的変形を効果的にモデル化するために,2種類の問合せフローに基づいて4次元表現を構成する。 提案手法は,既存の3D/4D暗示形状表現よりも高効率でありながら,映像ベースの4D再構成における最先端結果を実現する。
  論文  参考訳（メタデータ） (2023-07-16T16:58:37Z)
• Fourier-Net+: Leveraging Band-Limited Representation for Efficient 3D Medical Image Registration [62.53130123397081]
  U-Netスタイルのネットワークは、高密度変位場を予測するために、教師なし画像登録に一般的に利用される。 まず,コストのかかるU-Netスタイルの拡張パスをパラメータフリーモデル駆動デコーダに置き換えるFourier-Netを提案する。 次に、Fourier-Net+を導入し、さらに画像の帯域制限空間表現を入力とし、U-Netスタイルのネットワークの収縮経路における畳み込み層の数を減少させる。
  論文  参考訳（メタデータ） (2023-07-06T13:57:12Z)
• Neural Fourier Filter Bank [18.52741992605852]
  本稿では, 効率的かつ高精度な再構築手法を提案する。 ウェーブレットにインスパイアされた我々は、信号が空間的にも周波数的にも分解されるニューラルネットワークを学習する。
  論文  参考訳（メタデータ） (2022-12-04T03:45:08Z)
• Fourier-Net: Fast Image Registration with Band-limited Deformation [16.894559169947055]
  教師なし画像登録では、全解像度空間領域における密度変位場を予測するためにU-Netスタイルのネットワークが一般的である。 本稿では,パラメータフリーモデル駆動デコーダを用いて,U-Netスタイルネットワークにおける拡張パスを置き換えるフーリエネットを提案する。
  論文  参考訳（メタデータ） (2022-11-29T16:24:06Z)
• Deep Fourier Up-Sampling [100.59885545206744]
  フーリエ領域のアップサンプリングは、そのような局所的な性質に従わないため、より難しい。 これらの問題を解決するために理論的に健全なDeep Fourier Up-Sampling (FourierUp)を提案する。
  論文  参考訳（メタデータ） (2022-10-11T06:17:31Z)
• Win the Lottery Ticket via Fourier Analysis: Frequencies Guided Network Pruning [50.232218214751455]
  最適ネットワークプルーニングは、数学的にはNPハード問題である非自明なタスクである。 本稿では,MBP(Magnitude-Based Pruning)方式について検討し,新しい視点から解析する。 また,新たな2段階プルーニング手法を提案し,その1段階はプルーニングネットワークのトポロジ的構造を取得し,もう1段階はプルーニングネットワークを再訓練し,キャパシティを回復させる。
  論文  参考訳（メタデータ） (2022-01-30T03:42:36Z)
• Functional Regularization for Reinforcement Learning via Learned Fourier Features [98.90474131452588]
  本稿では、入力を学習されたフーリエベースに埋め込むことにより、深層強化学習のための簡単なアーキテクチャを提案する。 その結果、状態ベースと画像ベースの両方のRLのサンプル効率が向上することがわかった。
  論文  参考訳（メタデータ） (2021-12-06T18:59:52Z)
• Global Filter Networks for Image Classification [90.81352483076323]
  本稿では,対数線形複雑度を持つ周波数領域における長期空間依存性を学習する,概念的に単純だが計算効率のよいアーキテクチャを提案する。 この結果から,GFNetはトランスフォーマー型モデルやCNNの効率,一般化能力,堅牢性において,非常に競争力のある代替手段となる可能性が示唆された。
  論文  参考訳（メタデータ） (2021-07-01T17:58:16Z)
• Fast Fourier Transformation for Optimizing Convolutional Neural Networks in Object Recognition [1.0499611180329802]
  本稿では、高速フーリエ変換に基づくU-Net(完全畳み込みネットワーク)を用いて、ニューラルネットワークにおける画像畳み込みを実現することを提案する。 ネットワークのトレーニング時間を改善するために,FFTベースの畳み込みニューラルネットワークを実装した。 コンボリューション期間中のトレーニング時間は600-700$ms/stepから400-500$ms/stepに改善した。
  論文  参考訳（メタデータ） (2020-10-08T21:07:55Z)

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。