論文の概要: ConvBLS: An Effective and Efficient Incremental Convolutional Broad Learning System for Image Classification

• arxiv url: http://arxiv.org/abs/2304.00219v1
• Date: Sat, 1 Apr 2023 04:16:12 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-04 19:13:13.522925
• Title: ConvBLS: An Effective and Efficient Incremental Convolutional Broad Learning System for Image Classification
• Title（参考訳）: convbls: 画像分類のための効率的かつ効率的なインクリメンタル畳み込み広義学習システム
• Authors: Chunyu Lei, C. L. Philip Chen, Jifeng Guo, and Tong Zhang
• Abstract要約: 球状K-means(SKM)アルゴリズムと2段階マルチスケール(TSMS)機能融合に基づく畳み込み広範学習システム(ConvBLS)を提案する。 提案手法は前代未聞の効率的かつ効果的である。
• 参考スコア（独自算出の注目度）: 63.49762079000726
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning generally suffers from enormous computational resources and time-consuming training processes. Broad Learning System (BLS) and its convolutional variants have been proposed to mitigate these issues and have achieved superb performance in image classification. However, the existing convolutional-based broad learning system (C-BLS) either lacks an efficient training method and incremental learning capability or suffers from poor performance. To this end, we propose a convolutional broad learning system (ConvBLS) based on the spherical K-means (SKM) algorithm and two-stage multi-scale (TSMS) feature fusion, which consists of the convolutional feature (CF) layer, convolutional enhancement (CE) layer, TSMS feature fusion layer, and output layer. First, unlike the current C-BLS, the simple yet efficient SKM algorithm is utilized to learn the weights of CF layers. Compared with random filters, the SKM algorithm makes the CF layer learn more comprehensive spatial features. Second, similar to the vanilla BLS, CE layers are established to expand the feature space. Third, the TSMS feature fusion layer is proposed to extract more effective multi-scale features through the integration of CF layers and CE layers. Thanks to the above design and the pseudo-inverse calculation of the output layer weights, our proposed ConvBLS method is unprecedentedly efficient and effective. Finally, the corresponding incremental learning algorithms are presented for rapid remodeling if the model deems to expand. Experiments and comparisons demonstrate the superiority of our method.
• Abstract（参考訳）: ディープラーニングは一般的に膨大な計算資源と時間を要するトレーニングプロセスに悩まされる。 ブロードラーニングシステム(BLS)とその畳み込み変種はこれらの問題を緩和するために提案され、画像分類において最高性能を達成した。 しかし、既存の畳み込み型広範学習システム(C-BLS)は、効率的な学習方法と漸進的な学習能力に欠けるか、性能の低下に悩まされている。 そこで本研究では, 畳み込み機能(CF)層, 畳み込み拡張(CE)層, TSMS機能融合層, 出力層から構成される, 球面K平均(SKM)アルゴリズムと2段マルチスケール(TSMS)機能融合に基づく畳み込み広範学習システム(ConvBLS)を提案する。 第一に、現在のC-BLSとは異なり、単純なSKMアルゴリズムを用いてCF層の重み付けを学習する。 ランダムフィルタと比較して、SKMアルゴリズムはCF層により包括的な空間的特徴を学習させる。 次に、バニラBLSと同様、CE層が特徴空間を拡張するために確立される。 第3に,tsms機能融合層はcf層とce層の統合により,より効果的なマルチスケール機能を抽出するために提案されている。 以上の設計と,出力層重みの擬似逆計算により,提案手法は前例のないほど効率的かつ効果的である。 最後に、モデルを拡張しようとする場合の迅速なリモデリングのために、対応するインクリメンタル学習アルゴリズムが提示される。 実験と比較により,本手法の優位性を示す。

関連論文リスト

• AUCSeg: AUC-oriented Pixel-level Long-tail Semantic Segmentation [88.50256898176269]
  画素レベルのAUC損失関数を開発し,アルゴリズムの一般化能力に関する依存性グラフに基づく理論的解析を行う。 また、重要なメモリ需要を管理するために、Tail-Classes Memory Bankを設計する。
  論文  参考訳（メタデータ） (2024-09-30T15:31:02Z)
• Convergence Rate Maximization for Split Learning-based Control of EMG Prosthetic Devices [2.432653781859026]
  Split Learning (SL) は筋電図に基づく補綴制御における有望な分散学習手法である。 本稿では,モデル収束率の最大化の観点から,最適カット層選択のためのアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2024-01-06T15:05:49Z)
• CoopInit: Initializing Generative Adversarial Networks via Cooperative Learning [50.90384817689249]
  CoopInitは、協力的な学習ベースの戦略で、GANにとって良い出発点を素早く学べる。 本稿では,画像生成における提案手法の有効性を示す。
  論文  参考訳（メタデータ） (2023-03-21T07:49:32Z)
• Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
  本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。 我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-23T18:37:22Z)
• A Hierarchical Deep Actor-Critic Learning Method for Joint Distribution System State Estimation [1.7205106391379026]
  グリッドエッジにおける顧客のリアルタイム監視は、重要なタスクとなっている。 ほぼリアルタイムなソリューションを実現するために,新しい階層型強化学習支援フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-04T22:38:21Z)
• Multi-level Feature Learning on Embedding Layer of Convolutional Autoencoders and Deep Inverse Feature Learning for Image Clustering [6.5358895450258325]
  我々は集合的クラスタリングを多段階の特徴学習として使用し、潜在的特徴空間の階層構造を提供する。 マルチレベル機能学習を適用することで、基本的な深層畳み込みクラスタリングが大幅に改善される。 CAE-MLEの深い逆特徴学習(Deep IFL)は、最先端の結果につながる新しいアプローチである。
  論文  参考訳（メタデータ） (2020-10-05T21:24:10Z)
• Sparse Coding Driven Deep Decision Tree Ensembles for Nuclear Segmentation in Digital Pathology Images [15.236873250912062]
  デジタル病理画像セグメンテーションタスクにおいて、ディープニューラルネットワークと高い競争力を持つ、容易に訓練されながら強力な表現学習手法を提案する。 ScD2TEと略すこの手法はスパースコーディング駆動の深層決定木アンサンブルと呼ばれ、表現学習の新しい視点を提供する。
  論文  参考訳（メタデータ） (2020-08-13T02:59:31Z)
• Sequential Hierarchical Learning with Distribution Transformation for Image Super-Resolution [83.70890515772456]
  画像SRのための逐次階層学習型超解像ネットワーク(SHSR)を構築した。 特徴のスケール間相関を考察し、階層的情報を段階的に探索するシーケンシャルなマルチスケールブロック(SMB)を考案する。 実験結果から,SHSRは最先端手法に優れた定量的性能と視覚的品質が得られることが示された。
  論文  参考訳（メタデータ） (2020-07-19T01:35:53Z)
• Online Sequential Extreme Learning Machines: Features Combined From Hundreds of Midlayers [0.0]
  本稿では階層型オンラインシーケンシャル学習アルゴリズム(H-OS-ELM)を提案する。 アルゴリズムは、一定のブロックサイズまたは異なるブロックサイズでチャンクごとにチャンクを学習することができる。
  論文  参考訳（メタデータ） (2020-06-12T00:50:04Z)
• Deep Unfolding Network for Image Super-Resolution [159.50726840791697]
  本稿では,学習に基づく手法とモデルに基づく手法の両方を活用する,エンドツーエンドのトレーニング可能なアンフォールディングネットワークを提案する。 提案するネットワークは, モデルベース手法の柔軟性を継承し, 一つのモデルを用いて, 異なるスケール要因に対する, 曖昧でノイズの多い画像の超解像化を行う。
  論文  参考訳（メタデータ） (2020-03-23T17:55:42Z)

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。