論文の概要: Learning Fractals by Gradient Descent

• arxiv url: http://arxiv.org/abs/2303.12722v1
• Date: Tue, 14 Mar 2023 17:20:25 GMT
• ステータス: 処理完了
• システム内更新日: 2023-03-25 03:09:06.917982
• Title: Learning Fractals by Gradient Descent
• Title（参考訳）: グラディエントDescentによるフラクタル学習
• Authors: Cheng-Hao Tu, Hong-You Chen, David Carlyn, Wei-Lun Chao
• Abstract要約: 近年の視覚認識の研究は、モデル事前学習のためのランダムフラクタル画像を作成するために、この特性を活用している。 本稿では, フラクタル画像の基礎となるパラメータを勾配降下により学習する手法を提案する。 提案手法は, 視覚的品質の高いフラクタルパラメータを見つけ, 異なる損失関数に適合することを示す。
• 参考スコア（独自算出の注目度）: 19.93434604598185
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fractals are geometric shapes that can display complex and self-similar patterns found in nature (e.g., clouds and plants). Recent works in visual recognition have leveraged this property to create random fractal images for model pre-training. In this paper, we study the inverse problem -- given a target image (not necessarily a fractal), we aim to generate a fractal image that looks like it. We propose a novel approach that learns the parameters underlying a fractal image via gradient descent. We show that our approach can find fractal parameters of high visual quality and be compatible with different loss functions, opening up several potentials, e.g., learning fractals for downstream tasks, scientific understanding, etc.
• Abstract（参考訳）: フラクタルは、自然(例えば雲や植物)に見られる複雑で自己相似したパターンを表現できる幾何学的な形状である。 視覚認識における最近の研究では、この特性を利用してモデル事前学習のためのランダムフラクタル画像を作成する。 本稿では,対象画像(必ずしもフラクタルではない)が与えられた場合,それに似たフラクタル画像を生成することを目的とした逆問題の研究を行う。 本研究では,フラクタル画像のパラメータを勾配降下によって学習する手法を提案する。 提案手法は, 高い視覚的品質のフラクタルパラメータを見つけ, 異なる損失関数と互換性があることを示し, 下流タスクのフラクタル学習, 科学的理解など, いくつかの可能性を開く。

関連論文リスト

• On The Potential of The Fractal Geometry and The CNNs Ability to Encode it [1.7311053765541484]
  フラクタル次元は、物体の複雑さの統計指標を提供する。 いくつかの分類タスクでは有用であるが、フラクタル次元は深層学習アプリケーションでは未探索である。 フラクタル特性の浅いネットワークをトレーニングすることで、生データでトレーニングしたディープネットワークに匹敵する性能が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-07T15:22:56Z)
• Fractal Schr\"{o}dinger Equation: Implications for Fractal Sets [0.0]
  この論文はフラクタル計算の世界に展開し、フラクタル集合に対するその意味を調査した。 Fractal Schr"odinger Equationを導入し、その結果に関する洞察を提供する。 量子力学とフラクタル数学の相互作用により、この研究は量子力学とフラクタル数学の関係について深い洞察を得るための道を開いた。
  論文  参考訳（メタデータ） (2023-10-25T08:55:15Z)
• Why do CNNs excel at feature extraction? A mathematical explanation [53.807657273043446]
  実世界のデータセットに似た画像を生成するのに使用できる特徴抽出に基づく画像分類の新しいモデルを提案する。 本研究では,特徴の存在を検知する一方向線形関数を構築し,畳み込みネットワークで実現可能であることを示す。
  論文  参考訳（メタデータ） (2023-07-03T10:41:34Z)
• RecRecNet: Rectangling Rectified Wide-Angle Images by Thin-Plate Spline Model and DoF-based Curriculum Learning [62.86400614141706]
  我々はRecRecNet(Rectangling Rectification Network)という新しい学習モデルを提案する。 我々のモデルは、ソース構造をターゲット領域に柔軟にワープし、エンドツーエンドの非教師なし変形を実現する。 実験により, 定量評価と定性評価の両面において, 比較法よりも解法の方が優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-04T15:12:57Z)
• Self-Similarity Priors: Neural Collages as Differentiable Fractal Representations [73.14227103400964]
  本稿では,自己相似性の自動発見における学習の役割と下流タスクの活用について検討する。 我々は、自己参照型構造化変換のパラメータとしてデータを表す暗黙演算子の新しいクラスであるニューラルコラージュを設計する。 本稿では,ニューラルコラージュが生成する表現を,データ圧縮や生成など様々なタスクで活用する方法を検討する。
  論文  参考訳（メタデータ） (2022-04-15T22:54:23Z)
• TorMentor: Deterministic dynamic-path, data augmentations with fractals [8.100004428378066]
  プラズマフラクタルを用いて局所的な連続変換に大域的な画像拡張変換を適用する。 本稿では,TorMentorの画像拡張フレームワークについて述べる。
  論文  参考訳（メタデータ） (2022-04-07T23:28:12Z)
• Differentiable Iterated Function Systems [0.0]
  本稿では、微分可能なレンダリングパイプラインを用いたIFSフラクタルのレンダリングにおける初期探索について述べる。 IFSフラクタルを所定のターゲット画像に類似した固定点で生成することで、このパイプラインを実証する。
  論文  参考訳（メタデータ） (2022-03-02T16:51:00Z)
• Fractal states of the Schwinger model [0.0]
  格子シュウィンガーモデルは、格子ゲージ理論のためのよく研究されたテストベンチである。 我々は基底状態の自己相似性を明らかにし、基底状態の波動関数を見つけるための繰り返し手順を開発することができる。 本研究は, フラクタル特性の観点から, 多体波動関数の計算の複雑さを理解する方法である。
  論文  参考訳（メタデータ） (2022-01-25T10:20:45Z)
• LASR: Learning Articulated Shape Reconstruction from a Monocular Video [97.92849567637819]
  1つのビデオから3d形状を学習するためのテンプレートフリー手法を提案する。 本手法は,人間,動物,未知のクラスの映像から,非剛体3D構造を忠実に再構築する。
  論文  参考訳（メタデータ） (2021-05-06T21:41:11Z)
• See through Gradients: Image Batch Recovery via GradInversion [103.26922860665039]
  我々は、より大きなバッチからの入力イメージをResNets(50層)のような大規模ネットワークでも復元できるGradInversionを紹介した。 複雑なデータセット、ディープネットワーク、大規模なバッチサイズであっても、GradInversionを通じて、個々のイメージを高い忠実度で復元できるような、驚くほど大量の情報をエンコードする勾配を示す。
  論文  参考訳（メタデータ） (2021-04-15T16:43:17Z)
• Neural Re-Rendering of Humans from a Single Image [80.53438609047896]
  本稿では,新しいユーザ定義のポーズと視点の下での人間のニューラルリレンダリング手法を提案する。 私たちのアルゴリズムは、単一の画像から再構築できるパラメトリックメッシュとして体ポーズと形状を表します。
  論文  参考訳（メタデータ） (2021-01-11T18:53:47Z)

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。