論文の概要: FreConv: Frequency Branch-and-Integration Convolutional Networks

• arxiv url: http://arxiv.org/abs/2304.04540v1
• Date: Mon, 10 Apr 2023 12:24:14 GMT
• ステータス: 処理完了
• システム内更新日: 2023-04-11 15:09:11.537776
• Title: FreConv: Frequency Branch-and-Integration Convolutional Networks
• Title（参考訳）: freconv:周波数分岐積分畳み込みネットワーク
• Authors: Zhaowen Li, Xu Zhao, Peigeng Ding, Zongxin Gao, Yuting Yang, Ming Tang, Jinqiao Wang
• Abstract要約: 本稿では、バニラ畳み込みを置き換えるためにFreConv(周波数分岐積分畳み込み)を提案する。 FreConvは、高周波数情報と低周波情報を抽出し統合するためのデュアルブランチアーキテクチャを採用している。 FreConvを組み込んだネットワークは、常に最先端のベースラインを上回っていることを示す。
• 参考スコア（独自算出の注目度）: 37.51672240863451
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent researches indicate that utilizing the frequency information of input data can enhance the performance of networks. However, the existing popular convolutional structure is not designed specifically for utilizing the frequency information contained in datasets. In this paper, we propose a novel and effective module, named FreConv (frequency branch-and-integration convolution), to replace the vanilla convolution. FreConv adopts a dual-branch architecture to extract and integrate high- and low-frequency information. In the high-frequency branch, a derivative-filter-like architecture is designed to extract the high-frequency information while a light extractor is employed in the low-frequency branch because the low-frequency information is usually redundant. FreConv is able to exploit the frequency information of input data in a more reasonable way to enhance feature representation ability and reduce the memory and computational cost significantly. Without any bells and whistles, experimental results on various tasks demonstrate that FreConv-equipped networks consistently outperform state-of-the-art baselines.
• Abstract（参考訳）: 近年の研究では、入力データの周波数情報を利用することでネットワークの性能を向上させることが示されている。 しかし、既存の一般的な畳み込み構造は、データセットに含まれる周波数情報を利用するために特別に設計されていない。 本稿では,バニラ畳み込みを置き換えるために,freconv ( frequency branch-and-integration convolution) という新しい有効モジュールを提案する。 FreConvは、高頻度および低周波情報を抽出し統合するためのデュアルブランチアーキテクチャを採用している。 高周波ブランチでは、低周波情報は通常冗長であるため、低周波ブランチに光抽出器を用いる間、高周波情報を抽出するようにデリバティブフィルタのようなアーキテクチャが設計されている。 freconvは、より合理的な方法で入力データの周波数情報を利用することができ、特徴表現能力を高め、メモリと計算コストを大幅に削減できる。 ベルやホイッスルがなければ、さまざまなタスクの実験結果から、FreConv搭載ネットワークは最先端のベースラインを一貫して上回っていることが示される。

関連論文リスト

• Inversion-DeepONet: A Novel DeepONet-Based Network with Encoder-Decoder for Full Waveform Inversion [28.406887976413845]
  フルウェーブフォーム・インバージョン(FWI)のための新しいディープ・オペレータ・ネットワーク(DeepONet)アーキテクチャ(Inversion-DeepONet)を提案する。 分岐網内の地震データから特徴を抽出するために畳み込みニューラルネットワーク(CNN)を用いる。 我々は,既存のデータ駆動型FWI法と比較して,ネットワークの精度と一般化能力の優れた性能を確認した。
  論文  参考訳（メタデータ） (2024-08-15T08:15:06Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• A High-Frequency Focused Network for Lightweight Single Image Super-Resolution [16.264904771818507]
  高周波の詳細は低周波情報よりも再構成が難しい。 ほとんどのSISRモデルは、低周波および高周波情報に等しい計算資源を割り当てる。 高周波情報を選択的に強化するHFFN(High-Frequency Focused Network)を提案する。
  論文  参考訳（メタデータ） (2023-03-21T09:41:13Z)
• FreGAN: Exploiting Frequency Components for Training GANs under Limited Data [3.5459430566117893]
  限られたデータの下でのGANのトレーニングは、しばしば差別者が過度に適合し、記憶する問題を引き起こす。 本稿では、FreGANを提案する。FreGANは、モデルの周波数認識を高め、高周波信号の生成により多くの注意を払っている。 実画像と生成画像の両方の周波数情報を活用することに加えて、実画像の周波数信号を自己監督的制約として含む。
  論文  参考訳（メタデータ） (2022-10-11T14:02:52Z)
• Inception Transformer [151.939077819196]
  インセプショントランスフォーマー(iFormer)は、視覚データ中の高周波数情報と低周波情報の両方で包括的特徴を学習する。 我々は、iFormerを一連の視覚タスクでベンチマークし、画像分類、COCO検出、ADE20Kセグメンテーションにおいて優れた性能を発揮することを示した。
  論文  参考訳（メタデータ） (2022-05-25T17:59:54Z)
• Adaptive Frequency Learning in Two-branch Face Forgery Detection [66.91715092251258]
  本稿では、AFDと呼ばれる2分岐検出フレームワークにおいて、周波数情報を適応的に学習する手法を提案する。 我々は、固定周波数変換からネットワークを解放し、データおよびタスク依存の変換層でより良いパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2022-03-27T14:25:52Z)
• Wavelet-Based Network For High Dynamic Range Imaging [64.66969585951207]
  光学フローベースやエンド・ツー・エンドのディープラーニングベースのソリューションのような既存の方法は、詳細な復元やゴーストを除去する際にエラーを起こしやすい。 本研究では、周波数領域でHDR融合を行うための新しい周波数誘導型エンド・ツー・エンドディープニューラルネットワーク(FNet)を提案し、ウェーブレット変換(DWT)を用いて入力を異なる周波数帯域に分解する。 低周波信号は特定のゴーストアーティファクトを避けるために使用され、高周波信号は詳細を保存するために使用される。
  論文  参考訳（メタデータ） (2021-08-03T12:26:33Z)
• 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)

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。