Fugu-MT 論文翻訳(概要): Noise robust neural network architecture

論文の概要: Noise robust neural network architecture

arxiv url: http://arxiv.org/abs/2305.09276v1
Date: Tue, 16 May 2023 08:30:45 GMT
ステータス: 処理完了
システム内更新日: 2023-05-17 15:47:28.560682
Title: Noise robust neural network architecture
Title（参考訳）: ノイズロバストニューラルネットワークアーキテクチャ
Authors: Xiong Yunuo, Xiong Hongwei
Abstract要約: その結果,白色雑音の入力データに直面すると,良好な耐雑音性が得られることがわかった。我々は、MNISTデータセットに単純なダインニューラルネットワークを適用し、人間が認識しにくい非常にノイズの多い入力画像であっても、データセット拡張なしでは、より優れたテストセット精度を達成できることを実証した。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: In which we propose neural network architecture (dune neural network) for recognizing general noisy image without adding any artificial noise in the training data. By representing each free parameter of the network as an uncertainty interval, and applying a linear transformation to each input element, we show that the resulting architecture achieves decent noise robustness when faced with input data with white noise. We apply simple dune neural networks for MNIST dataset and demonstrate that even for very noisy input images which are hard for human to recognize, our approach achieved better test set accuracy than human without dataset augmentation. We also find that our method is robust for many other examples with various background patterns added.
Abstract（参考訳）: そこで我々は、トレーニングデータに人工ノイズを加えることなく、一般的なノイズ画像を認識するニューラルネットワークアーキテクチャ(Dune Neural Network)を提案する。ネットワークの各自由パラメータを不確かさ区間として表現し,各入力要素に線形変換を適用することにより,白色雑音の入力データに対して適切な雑音頑健性が得られることを示す。我々は、mnistデータセットに単純な砂丘ニューラルネットワークを適用し、人間の認識が難しい非常にノイズの多い入力画像であっても、データセットの補足なしでは、人間よりも優れたテストセット精度を達成できることを実証する。また,本手法は様々な背景パターンを付加した他の例では堅牢であることがわかった。

関連論文リスト

Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
論文参考訳（メタデータ） (2024-03-18T18:01:01Z)
Decoupled Mixup for Generalized Visual Recognition [71.13734761715472]
視覚認識のためのCNNモデルを学習するための新しい「デカップリング・ミクスアップ」手法を提案する。本手法は,各画像を識別領域と雑音発生領域に分離し,これらの領域を均一に組み合わせてCNNモデルを訓練する。実験結果から,未知のコンテキストからなるデータに対する本手法の高一般化性能を示す。
論文参考訳（メタデータ） (2022-10-26T15:21:39Z)
Poisson2Sparse: Self-Supervised Poisson Denoising From a Single Image [34.27748767631027]
本稿では,単一画像の自己教師型学習手法を提案する。繰り返しニューラルネットワークを用いた画像復調のための従来の反復最適化アルゴリズムを近似する。提案手法はPSNRとSSIMの両面で最先端の手法より優れている。
論文参考訳（メタデータ） (2022-06-04T00:08:58Z)
Meta-Learning Sparse Implicit Neural Representations [69.15490627853629]
入射神経表現は、一般的な信号を表す新しい道である。現在のアプローチは、多数の信号やデータセットに対してスケールすることが難しい。メタ学習型スパースニューラル表現は,高密度メタ学習モデルよりもはるかに少ない損失が得られることを示す。
論文参考訳（メタデータ） (2021-10-27T18:02:53Z)
Joint self-supervised blind denoising and noise estimation [0.0]
2つのニューラルネットワークが共同でクリーンシグナルを予測し、ノイズ分布を推定する。本モデルがノイズ分布を効率的に捉える合成ノイズデータを用いた実証実験を行います。
論文参考訳（メタデータ） (2021-02-16T08:37:47Z)
Lightweight Convolutional Neural Network with Gaussian-based Grasping Representation for Robotic Grasping Detection [4.683939045230724]
現在の物体検出器は、高い精度と高速な推論速度のバランスを取るのが難しい。ロボットつかみポーズ推定を行うための効率的かつ堅牢な完全畳み込みニューラルネットワークモデルを提案する。ネットワークは、他の優れたアルゴリズムよりも桁違いに小さい順序です。
論文参考訳（メタデータ） (2021-01-25T16:36:53Z)
Neighbor2Neighbor: Self-Supervised Denoising from Single Noisy Images [98.82804259905478]
Neighbor2Neighborを提示し、ノイズの多い画像のみで効果的な画像消音モデルをトレーニングします。ネットワークのトレーニングに使用される入力とターゲットは、同じノイズ画像からサブサンプリングされた画像である。デノイジングネットワークは、第1段階で生成されたサブサンプルトレーニングペアで訓練され、提案された正規化器は、より良いパフォーマンスのための追加の損失として訓練される。
論文参考訳（メタデータ） (2021-01-08T02:03:25Z)
Graph Signal Recovery Using Restricted Boltzmann Machines [11.077860020575084]
本稿では,制限されたボルツマンマシンのコンテンツアドレス可能なメモリ特性を利用して,専門家システムからグラフ信号を復元するモデルに依存しないパイプラインを提案する。ディープニューラルネットワークによって学習された表現をデノイズ化することは、通常、データ自体をデノイズ化するよりも効果的であることを示す。
論文参考訳（メタデータ） (2020-11-20T18:43:53Z)
Deep Networks for Direction-of-Arrival Estimation in Low SNR [89.45026632977456]
我々は,真の配列多様体行列の変異チャネルデータから学習した畳み込みニューラルネットワーク(CNN)を導入する。我々は低SNR体制でCNNを訓練し、すべてのSNRでDoAを予測する。私たちの堅牢なソリューションは、ワイヤレスアレイセンサーから音響マイクロフォンやソナーまで、いくつかの分野に適用できます。
論文参考訳（メタデータ） (2020-11-17T12:52:18Z)
Efficient Blind-Spot Neural Network Architecture for Image Denoising [4.513547390985147]
本稿では,視覚障害者の目視特性を実現するためにダイレーションを用いた完全畳み込みネットワークアーキテクチャを提案する。我々のネットワークは,従来の作業と確立したデータセットの最先端結果よりもパフォーマンスを向上する。
論文参考訳（メタデータ） (2020-08-25T13:48:40Z)
Variational Denoising Network: Toward Blind Noise Modeling and Removal [59.36166491196973]
ブラインド画像のデノイングはコンピュータビジョンにおいて重要な問題であるが、非常に難しい問題である。本稿では,ノイズ推定と画像デノーミングを併用した新しい変分推論手法を提案する。
論文参考訳（メタデータ） (2019-08-29T15:54:06Z)

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。