論文の概要: FG-SSA: Features Gradient-based Signals Selection Algorithm of Linear
Complexity for Convolutional Neural Networks
- arxiv url: http://arxiv.org/abs/2302.12711v1
- Date: Thu, 23 Feb 2023 05:19:03 GMT
- ステータス: 処理完了
- システム内更新日: 2023-02-27 13:10:30.180041
- Title: FG-SSA: Features Gradient-based Signals Selection Algorithm of Linear
Complexity for Convolutional Neural Networks
- Title（参考訳）: FG-SSA:畳み込みニューラルネットワークにおける線形複雑度の特徴量に基づく信号選択アルゴリズム
- Authors: Yuto Omae, Yusuke Sakai, Hirotaka Takahashi
- Abstract要約: 本稿では,非重要信号の分類と除去を行うために,勾配に基づく信号選択アルゴリズム(FG-SSA)を提案する。
このアルゴリズムは、CNNに基づく分類では重要でない信号の発見と除去に影響を及ぼす。
- 参考スコア（独自算出の注目度）: 5.070542698701157
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Recently, many convolutional neural networks (CNNs) for classification by
time domain data of multisignals have been developed. Although some signals are
important for correct classification, others are not. When data that do not
include important signals for classification are taken as the CNN input layer,
the calculation, memory, and data collection costs increase. Therefore,
identifying and eliminating nonimportant signals from the input layer are
important. In this study, we proposed features gradient-based signals selection
algorithm (FG-SSA), which can be used for finding and removing nonimportant
signals for classification by utilizing features gradient obtained by the
calculation process of grad-CAM. When we define N as the number of signals, the
computational complexity of the proposed algorithm is linear time O(N), that
is, it has a low calculation cost. We verified the effectiveness of the
algorithm using the OPPORTUNITY Activity Recognition dataset, which is an open
dataset comprising acceleration signals of human activities. In addition, we
checked the average 6.55 signals from a total of 15 acceleration signals (five
triaxial sensors) that were removed by FG-SSA while maintaining high
generalization scores of classification. Therefore, the proposed algorithm
FG-SSA has an effect on finding and removing signals that are not important for
CNN-based classification.
- Abstract（参考訳）: 近年,多信号の時間領域データによる分類のための畳み込みニューラルネットワーク(CNN)が開発されている。
一部の信号は正しい分類に重要であるが、そうでない信号もある。
分類のための重要な信号を含んでいないデータがcnn入力層として取り込まれると、計算、メモリ、およびデータ収集コストが増加する。
したがって、入力層から重要でない信号を識別・除去することが重要である。
そこで本研究では,gradle-camの計算プロセスで得られた特徴量勾配を利用して,分類のための重要でない信号の検出と除去に使用可能な勾配に基づく信号選択アルゴリズム(fg-ssa)を提案する。
N を信号数として定義すると、提案アルゴリズムの計算複雑性は線形時間 O(N) であり、計算コストは低い。
本研究では,人間の活動の加速度信号からなるオープンデータセットであるOPPORTUNITY Activity Recognitionデータセットを用いて,アルゴリズムの有効性を検証する。
さらに,FG-SSAにより除去された15個の加速度信号(5個の3軸センサ)から平均6.55個の信号を確認した。
そのため,提案アルゴリズムのFG-SSAは,CNNに基づく分類では重要でない信号の発見と除去に効果がある。
関連論文リスト
- Unveiling the Power of Sparse Neural Networks for Feature Selection [60.50319755984697]
スパースニューラルネットワーク(SNN)は、効率的な特徴選択のための強力なツールとして登場した。
動的スパーストレーニング(DST)アルゴリズムで訓練されたSNNは、平均して50%以上のメモリと55%以上のFLOPを削減できることを示す。
以上の結果から,DSTアルゴリズムで訓練したSNNによる特徴選択は,平均して50ドル以上のメモリと55%のFLOPを削減できることがわかった。
論文 参考訳（メタデータ） (2024-08-08T16:48:33Z) - Provable Data Subset Selection For Efficient Neural Network Training [73.34254513162898]
本稿では,任意の放射基底関数ネットワーク上での入力データの損失を近似する,emphRBFNNのコアセットを構成するアルゴリズムについて紹介する。
次に、一般的なネットワークアーキテクチャやデータセット上で、関数近似とデータセットサブセットの選択に関する経験的評価を行う。
論文 参考訳（メタデータ） (2023-03-09T10:08:34Z) - GAAF: Searching Activation Functions for Binary Neural Networks through
Genetic Algorithm [15.403807679886716]
バイナリニューラルネットワーク(BNN)は、エッジデバイスやモバイルシステムのような、コストと電力制限のある領域で有望な利用を示している。
本稿では,サインベースバイナライゼーションに先立って補完活性化関数 (AF) を付加し,遺伝的アルゴリズム (GA) に頼って理想的なAFを自動検索することを提案する。
論文 参考訳（メタデータ） (2022-06-05T06:36:22Z) - Animal Behavior Classification via Deep Learning on Embedded Systems [10.160218445628836]
我々は,動物行動の分類を加速度計測データを用いてエンドツーエンドのディープ・ニューラル・ネットワーク・ベース・アルゴリズムを開発した。
動物行動のin-situ分類を行うために,カラータグのAIoTデバイスの組込みシステムに提案アルゴリズムを実装した。
論文 参考訳（メタデータ） (2021-11-24T06:26:15Z) - Convolutional generative adversarial imputation networks for
spatio-temporal missing data in storm surge simulations [86.5302150777089]
GAN(Generative Adversarial Imputation Nets)とGANベースの技術は、教師なし機械学習手法として注目されている。
提案手法を Con Conval Generative Adversarial Imputation Nets (Conv-GAIN) と呼ぶ。
論文 参考訳（メタデータ） (2021-11-03T03:50:48Z) - Motor Imagery Classification based on CNN-GRU Network with
Spatio-Temporal Feature Representation [22.488536453952964]
近年、脳波(EEG)信号に様々なディープニューラルネットワークが応用されている。
脳波は非侵襲的に取得できる脳信号であり、時間分解能が高い。
脳波信号は高次元の分類特徴空間を持つため,性能向上には適切な特徴抽出法が必要である。
論文 参考訳（メタデータ） (2021-07-15T01:05:38Z) - Signal Processing Based Deep Learning for Blind Symbol Decoding and
Modulation Classification [14.276414947868727]
信号の盲目的復号には、未知の送信パラメータを推定し、無線チャネルの障害を補償し、変調タイプを特定する必要がある。
本稿では、DSP操作の信号経路と、未知の送信パラメータを推定するニューラルネットワークの特徴経路からなる二重経路ネットワーク(DPN)を提案する。
論文 参考訳（メタデータ） (2021-06-19T18:00:31Z) - SignalNet: A Low Resolution Sinusoid Decomposition and Estimation
Network [79.04274563889548]
本稿では,正弦波数を検出するニューラルネットワークアーキテクチャであるSignalNetを提案する。
基礎となるデータ分布と比較して,ネットワークの結果を比較するための最悪の学習しきい値を導入する。
シミュレーションでは、我々のアルゴリズムは常に3ビットデータのしきい値を超えることができるが、しばしば1ビットデータのしきい値を超えることはできない。
論文 参考訳（メタデータ） (2021-06-10T04:21:20Z) - An IoT-Based Framework for Remote Fall Monitoring [2.511917198008258]
本稿では,クラウドに接続されたゲートウェイデバイスを介してモバイルアプリケーションにデータを送信するセンサデバイスを含む,転倒検出のための新しいIoTベースのシステムを提案する。
その結果,転倒決定に有効な特徴として,連続ウェーブレット変換(CWT)の重要性が強調された。
すべてのパフォーマンス指標(精度、リコール、精度、特異性、F1スコア)に対して、達成された結果は、小さなデータセットに対して95%以上である。
論文 参考訳（メタデータ） (2021-03-10T22:37:19Z) - Learning Frequency Domain Approximation for Binary Neural Networks [68.79904499480025]
フーリエ周波数領域における符号関数の勾配を正弦関数の組み合わせを用いて推定し,BNNの訓練を行う。
いくつかのベンチマークデータセットとニューラルネットワークの実験により、この手法で学習したバイナリネットワークが最先端の精度を達成することが示されている。
論文 参考訳（メタデータ） (2021-03-01T08:25:26Z) - MSE-Optimal Neural Network Initialization via Layer Fusion [68.72356718879428]
ディープニューラルネットワークは、さまざまな分類と推論タスクに対して最先端のパフォーマンスを達成する。
グラデーションと非進化性の組み合わせは、学習を新しい問題の影響を受けやすいものにする。
確率変数を用いて学習した深層ネットワークの近傍層を融合する手法を提案する。
論文 参考訳（メタデータ） (2020-01-28T18:25:15Z)
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。