論文の概要: Efficient Neural Network based Classification and Outlier Detection for
Image Moderation using Compressed Sensing and Group Testing
- arxiv url: http://arxiv.org/abs/2305.07639v1
- Date: Fri, 12 May 2023 17:48:05 GMT
- ステータス: 処理完了
- システム内更新日: 2023-05-15 11:52:07.030106
- Title: Efficient Neural Network based Classification and Outlier Detection for
Image Moderation using Compressed Sensing and Group Testing
- Title（参考訳）: 圧縮センシングとグループテストを用いた画像モデレーションのためのニューラルネットワークによる効率的な分類と外乱検出
- Authors: Sabyasachi Ghosh, Sanyam Saxena, Ajit Rajwade
- Abstract要約: 本稿では,このようなエンジンの全体的な計算コストを削減するために,この事実を利用する手法を提案する。
本稿では,定量的行列プールニューラルネットワーク(QMPNN)について述べる。
また, 深部外乱検出をプールし, 深部外乱検出にCSおよび群検定技術を適用した。
- 参考スコア（独自算出の注目度）: 4.2455052426413085
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Popular social media platforms employ neural network based image moderation
engines to classify images uploaded on them as having potentially objectionable
content. Such moderation engines must answer a large number of queries with
heavy computational cost, even though the actual number of images with
objectionable content is usually a tiny fraction. Inspired by recent work on
Neural Group Testing, we propose an approach which exploits this fact to reduce
the overall computational cost of such engines using the technique of
Compressed Sensing (CS). We present the quantitative matrix-pooled neural
network (QMPNN), which takes as input $n$ images, and a $m \times n$ binary
pooling matrix with $m < n$, whose rows indicate $m$ pools of images i.e.
selections of $r$ images out of $n$. The QMPNN efficiently outputs the product
of this matrix with the unknown sparse binary vector indicating whether each
image is objectionable or not, i.e. it outputs the number of objectionable
images in each pool. For suitable matrices, this is decoded using CS decoding
algorithms to predict which images were objectionable. The computational cost
of running the QMPNN and the CS algorithms is significantly lower than the cost
of using a neural network with the same number of parameters separately on each
image to classify the images, which we demonstrate via extensive experiments.
Our technique is inherently resilient to moderate levels of errors in the
prediction from the QMPNN. Furthermore, we present pooled deep outlier
detection, which brings CS and group testing techniques to deep outlier
detection, to provide for the case when the objectionable images do not belong
to a set of pre-defined classes. This technique enables efficient automated
moderation of off-topic images shared on topical forums dedicated to sharing
images of a certain single class, many of which are currently human-moderated.
- Abstract（参考訳）: 人気のあるソーシャルメディアプラットフォームは、ニューラルネットワークベースの画像モデレーションエンジンを使用して、アップロードされた画像を潜在的に不快なコンテンツとして分類している。
このようなモデレーションエンジンは、大容量の計算コストで大量のクエリに答えなければならない。
ニューラルグループテストに関する最近の研究に触発され、この事実を利用して圧縮センシング(cs)技術を用いて、これらのエンジンの全体的な計算コストを削減する手法を提案する。
本稿では,入力$n$画像から$m<n$の画像から$r$画像を選択するために,$m <n$の画像に対して$m <n$の2値プーリング行列と$m \times n$の2値プーリング行列を列に示す定量的行列プールニューラルネットワーク(QMPNN)を提案する。
QMPNNは、各画像が好ましくないか否かを示す未知のスパースバイナリベクトルを用いて、この行列の積を効率よく出力する。
適切な行列に対して、これはCS復号アルゴリズムを用いてデコードされ、どの画像が好ましくないかを予測する。
QMPNNとCSアルゴリズムの実行の計算コストは、各画像に同じ数のパラメータを持つニューラルネットワークを用いて画像を分類するコストよりも大幅に低い。
本手法は,QMPNNの予測における中程度の誤差に対して本質的に耐性がある。
さらに,対象画像が予め定義されたクラスの集合に属さない場合に,CSおよびグループテスト技術による深部外乱検出を行うためのプール付き深部外乱検出手法を提案する。
この技術は、特定の単一クラスの画像を共有することに特化したトピックフォーラムで共有されるオフトピー画像の効率的な自動モデレーションを可能にする。
関連論文リスト
- T-former: An Efficient Transformer for Image Inpainting [50.43302925662507]
トランスフォーマーと呼ばれる注目に基づくネットワークアーキテクチャのクラスは、自然言語処理の分野で大きなパフォーマンスを示している。
本稿では,Taylorの展開に応じて,解像度に線形に関連付けられた新たな注意を設計し,この注意に基づいて,画像インペイントのためのネットワークである$T$-formerを設計する。
いくつかのベンチマークデータセットの実験により,提案手法は比較的少ないパラメータ数と計算複雑性を維持しつつ,最先端の精度を達成できることが示されている。
論文 参考訳（メタデータ） (2023-05-12T04:10:42Z) - Machine learning based biomedical image processing for echocardiographic
images [0.0]
提案手法では,K-Nearest Neighbor (KNN) アルゴリズムを用いて医用画像のセグメンテーションを行う。
トレーニングされたニューラルネットワークは、エコー画像のグループで正常にテストされている。
論文 参考訳（メタデータ） (2023-03-16T06:23:43Z) - Traditional Classification Neural Networks are Good Generators: They are
Competitive with DDPMs and GANs [104.72108627191041]
従来のニューラルネットワーク分類器は、最先端の生成モデルに匹敵する高品質な画像を生成することができることを示す。
マスクをベースとした再構成モジュールを提案し, 意味的勾配を意識し, 可視画像の合成を行う。
また,本手法は,画像テキスト基盤モデルに関して,テキスト・画像生成にも適用可能であることを示す。
論文 参考訳（メタデータ） (2022-11-27T11:25:35Z) - Efficient Image Denoising by Low-Rank Singular Vector Approximations of Geodesics' Gramian Matrix [2.3499129784547654]
画像の騒音汚染は、人々の間で準標準的期待をもたらす。
画像のデノイングは、必要不可欠な前処理ステップです。
本稿では,測地学のグラミアン行列の特異ベクトルを主に利用した多様体に基づくノイズフィルタリング法を提案する。
論文 参考訳（メタデータ） (2022-09-27T01:03:36Z) - Deep ensembles in bioimage segmentation [74.01883650587321]
本研究では,畳み込みニューラルネットワーク(CNN)のアンサンブルを提案する。
アンサンブル法では、多くの異なるモデルが訓練され、分類に使用され、アンサンブルは単一分類器の出力を集約する。
提案するアンサンブルは,DeepLabV3+とHarDNet環境を用いて,異なるバックボーンネットワークを組み合わせることで実現されている。
論文 参考訳（メタデータ） (2021-12-24T05:54:21Z) - Image Compression with Recurrent Neural Network and Generalized Divisive
Normalization [3.0204520109309843]
深層学習は研究コミュニティから大きな注目を集め、将来有望な画像再構成結果を生み出している。
近年の手法は、ネットワークの複雑さを大幅に増大させる、より深い複雑なネットワークの開発に焦点を当てている。
本稿では、畳み込み層を用いた解析とブロック合成と、可変レートエンコーダとデコーダ側における一般化分割正規化(GDN)の2つの有効な新しいブロックを開発する。
論文 参考訳（メタデータ） (2021-09-05T05:31:55Z) - CNNs for JPEGs: A Study in Computational Cost [49.97673761305336]
畳み込みニューラルネットワーク(CNN)は過去10年間で驚くべき進歩を遂げてきた。
CNNはRGBピクセルから直接データの堅牢な表現を学習することができる。
近年,圧縮領域から直接学習できる深層学習手法が注目されている。
論文 参考訳（メタデータ） (2020-12-26T15:00:10Z) - Adversarial Robustness Across Representation Spaces [35.58913661509278]
逆サロバスト性は、テスト時の知覚できない摂動に対するディープニューラルネットワークの感受性に対応している。
本研究では、複数の自然表現空間に適用された摂動に同時に頑健にできるディープニューラルネットワークのトレーニング問題を考察するために、設定を拡張した。
論文 参考訳（メタデータ） (2020-12-01T19:55:58Z) - Efficient detection of adversarial images [2.6249027950824506]
画像の画素値は外部攻撃者によって修正されるため、人間の目にはほとんど見えない。
本稿では,修正画像の検出を容易にする新しい前処理手法を提案する。
このアルゴリズムの適応バージョンでは、ランダムな数の摂動が適応的に選択される。
論文 参考訳（メタデータ） (2020-07-09T05:35:49Z) - Neural Sparse Representation for Image Restoration [116.72107034624344]
スパース符号化に基づく画像復元モデルの堅牢性と効率に触発され,深部ネットワークにおけるニューロンの空間性について検討した。
本手法は,隠れたニューロンに対する空間的制約を構造的に強制する。
実験により、複数の画像復元タスクのためのディープニューラルネットワークではスパース表現が不可欠であることが示されている。
論文 参考訳（メタデータ） (2020-06-08T05:15:17Z) - Computational optimization of convolutional neural networks using
separated filters architecture [69.73393478582027]
我々は、計算複雑性を低減し、ニューラルネットワーク処理を高速化する畳み込みニューラルネットワーク変換を考える。
畳み込みニューラルネットワーク(CNN)の使用は、計算的に要求が多すぎるにもかかわらず、画像認識の標準的なアプローチである。
論文 参考訳（メタデータ） (2020-02-18T17:42:13Z)
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。