論文の概要: A signal processing interpretation of noise-reduction convolutional neural networks

• arxiv url: http://arxiv.org/abs/2307.13425v1
• Date: Tue, 25 Jul 2023 11:45:28 GMT
• ステータス: 処理完了
• システム内更新日: 2023-07-26 17:14:40.860928
• Title: A signal processing interpretation of noise-reduction convolutional neural networks
• Title（参考訳）: 雑音-畳み込み畳み込みニューラルネットワークの信号処理解釈
• Authors: Luis A. Zavala-Mondrag\'on, Peter H.N. de With, Fons van der Sommen
• Abstract要約: 本稿では、深層畳み込みフレームレットの理論の直観を構築し、統一された理論フレームワークで多様なED CNNアーキテクチャを説明します。 信号処理からディープラーニングの分野での基本原理を結びつけることで、この自己完結型教材は、堅牢で効率的な新しいCNNアーキテクチャを設計するための重要なガイダンスを提供する。
• 参考スコア（独自算出の注目度）: 10.707517362973709
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Encoding-decoding CNNs play a central role in data-driven noise reduction and can be found within numerous deep-learning algorithms. However, the development of these CNN architectures is often done in ad-hoc fashion and theoretical underpinnings for important design choices is generally lacking. Up to this moment there are different existing relevant works that strive to explain the internal operation of these CNNs. Still, these ideas are either scattered and/or may require significant expertise to be accessible for a bigger audience. In order to open up this exciting field, this article builds intuition on the theory of deep convolutional framelets and explains diverse ED CNN architectures in a unified theoretical framework. By connecting basic principles from signal processing to the field of deep learning, this self-contained material offers significant guidance for designing robust and efficient novel CNN architectures.
• Abstract（参考訳）: 符号化復号CNNは、データ駆動型ノイズ低減において中心的な役割を果たす。 しかし、これらのcnnアーキテクチャの開発は、しばしばアドホックな方法で行われ、重要な設計選択に対する理論的基礎は一般に欠落している。 この時点まで、これらのcnnの内部操作を説明するために、さまざまな関連する作品が存在している。 それでも、これらのアイデアは散らばっているか、あるいはより大きなオーディエンスにアクセスできるための重要な専門知識が必要かもしれない。 このエキサイティングな分野を開放するために、この記事では深い畳み込みのフレームレットの理論を直感的に構築し、統一理論の枠組みで多様なed cnnアーキテクチャを説明します。 信号処理からディープラーニングまでの基本原則を結びつけることで、この自己完結型素材は堅牢で効率的な新しいcnnアーキテクチャを設計するための重要なガイダンスを提供する。

関連論文リスト

• Transferability of Convolutional Neural Networks in Stationary Learning Tasks [96.00428692404354]
  本稿では,大規模な空間問題に対する畳み込みニューラルネットワーク(CNN)の効率的なトレーニングのための新しいフレームワークを提案する。 このような信号の小さなウィンドウで訓練されたCNNは、再学習することなく、はるかに大きなウィンドウでほぼ性能を発揮することを示す。 以上の結果から,CNNは10人未満の訓練を受けた後,数百人のエージェントによる問題に対処できることが示唆された。
  論文  参考訳（メタデータ） (2023-07-21T13:51:45Z)
• CP-CNN: Core-Periphery Principle Guided Convolutional Neural Network [9.015666133509857]
  我々は、ネットワーク配線パターンの設計と畳み込み操作のスパーシフィケーションにコア周辺原理を実装した。 私たちの研究は、人間の脳からの洞察をニューラルネットワークの設計に取り入れることで、脳にインスパイアされたAIの分野の成長に寄与します。
  論文  参考訳（メタデータ） (2023-03-27T03:59:43Z)
• Convolutional Neural Networks Demystified: A Matched Filtering Perspective Based Tutorial [7.826806223782053]
  畳み込みニューラルネットワーク(CNN)は、大量の信号や画像を分析するためのデファクト標準である。 我々は、最初の原則と一致するフィルタリングの観点から、それらの操作を再考する。 このチュートリアルが、深層ニューラルネットワークの理解とさらなる発展に新たな光と物理的直感をもたらすことを願っています。
  論文  参考訳（メタデータ） (2021-08-26T09:07:49Z)
• Learning Structures for Deep Neural Networks [99.8331363309895]
  我々は,情報理論に根ざし,計算神経科学に発達した効率的な符号化原理を採用することを提案する。 スパース符号化は出力信号のエントロピーを効果的に最大化できることを示す。 公開画像分類データセットを用いた実験により,提案アルゴリズムでスクラッチから学習した構造を用いて,最も優れた専門家設計構造に匹敵する分類精度が得られることを示した。
  論文  参考訳（メタデータ） (2021-05-27T12:27:24Z)
• Receptive Field Regularization Techniques for Audio Classification and Tagging with Deep Convolutional Neural Networks [7.9495796547433395]
  CNNの受容場(RF)のチューニングは,その一般化に不可欠であることを示す。 我々は,CNNのRFを制御し,結果のアーキテクチャを体系的にテストする,いくつかの系統的なアプローチを提案する。
  論文  参考訳（メタデータ） (2021-05-26T08:36:29Z)
• Do All MobileNets Quantize Poorly? Gaining Insights into the Effect of Quantization on Depthwise Separable Convolutional Networks Through the Eyes of Multi-scale Distributional Dynamics [93.4221402881609]
  MobileNetsは、モバイル用のディープ畳み込みニューラルネットワーク(CNN)のファミリーである。 訓練後の量子化では、精度が著しく低下することが多い。 より小さなDWSCNNと通常のCNNの集合であるMobileNet-V1のマルチスケール分布ダイナミクスについて検討する。
  論文  参考訳（メタデータ） (2021-04-24T01:28:29Z)
• The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
  本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。 本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
  論文  参考訳（メタデータ） (2021-01-29T07:46:39Z)
• Embedded Encoder-Decoder in Convolutional Networks Towards Explainable AI [0.0]
  本稿では,刺激の視覚的特徴を表す新しい説明可能な畳み込みニューラルネットワーク(XCNN)を提案する。 CIFAR-10, Tiny ImageNet, MNISTデータセットを用いた実験結果から, 提案アルゴリズム (XCNN) をCNNで説明可能なものにすることに成功した。
  論文  参考訳（メタデータ） (2020-06-19T15:49:39Z)
• An Information-theoretic Visual Analysis Framework for Convolutional Neural Networks [11.15523311079383]
  CNNモデルから抽出可能なデータを整理するデータモデルを提案する。 次に、異なる状況下でエントロピーを計算する2つの方法を提案する。 我々は,モデル内の情報変化量をインタラクティブに探索する視覚解析システムCNNSlicerを開発した。
  論文  参考訳（メタデータ） (2020-05-02T21:36:50Z)
• Cascaded Deep Video Deblurring Using Temporal Sharpness Prior [88.98348546566675]
  提案アルゴリズムは主に,中間潜水フレームと潜水フレームの復元ステップから光フローを推定する。 まず、中間潜伏フレームから光フローを推定し、推定した光フローに基づいて潜伏フレームを復元する深部CNNモデルを開発する。 ビデオデブロアリングのドメイン知識を探索することで、深層CNNモデルをよりコンパクトで効率的なものにすることができることを示す。
  論文  参考訳（メタデータ） (2020-04-06T09:13:49Z)
• Deep Learning for Ultra-Reliable and Low-Latency Communications in 6G Networks [84.2155885234293]
  まず,データ駆動型教師付き深層学習と深部強化学習をURLLCに適用する方法を概説する。 このようなオープンな問題に対処するために、デバイスインテリジェンス、エッジインテリジェンス、およびURLLCのためのクラウドインテリジェンスを可能にするマルチレベルアーキテクチャを開発した。
  論文  参考訳（メタデータ） (2020-02-22T14:38:11Z)

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。