論文の概要: Color Equivariant Convolutional Networks

• arxiv url: http://arxiv.org/abs/2310.19368v1
• Date: Mon, 30 Oct 2023 09:18:49 GMT
• ステータス: 処理完了
• システム内更新日: 2023-11-01 21:12:48.938283
• Title: Color Equivariant Convolutional Networks
• Title（参考訳）: カラー同変畳み込みネットワーク
• Authors: Attila Lengyel, Ombretta Strafforello, Robert-Jan Bruintjes, Alexander Gielisse, Jan van Gemert
• Abstract要約: CNNは、偶然に記録された条件によって導入された色の変化の間にデータ不均衡がある場合、苦労する。 カラースペクトル間の形状特徴共有を可能にする新しいディープラーニングビルディングブロックであるカラー等変畳み込み(CEConvs)を提案する。 CEConvsの利点は、様々なタスクに対するダウンストリーム性能と、列車-テストの分散シフトを含む色の変化に対するロバスト性の改善である。
• 参考スコア（独自算出の注目度）: 50.655443383582124
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Color is a crucial visual cue readily exploited by Convolutional Neural Networks (CNNs) for object recognition. However, CNNs struggle if there is data imbalance between color variations introduced by accidental recording conditions. Color invariance addresses this issue but does so at the cost of removing all color information, which sacrifices discriminative power. In this paper, we propose Color Equivariant Convolutions (CEConvs), a novel deep learning building block that enables shape feature sharing across the color spectrum while retaining important color information. We extend the notion of equivariance from geometric to photometric transformations by incorporating parameter sharing over hue-shifts in a neural network. We demonstrate the benefits of CEConvs in terms of downstream performance to various tasks and improved robustness to color changes, including train-test distribution shifts. Our approach can be seamlessly integrated into existing architectures, such as ResNets, and offers a promising solution for addressing color-based domain shifts in CNNs.
• Abstract（参考訳）: 色は、畳み込みニューラルネットワーク(cnns)がオブジェクト認識に容易に活用できる重要な視覚的手がかりである。 しかし、cnnは、偶発的な記録条件によってもたらされた色の変化の間にデータの不均衡がある場合に苦労する。 色不変性はこの問題に対処するが、識別力の犠牲となるすべての色情報を除去するコストがかかる。 本稿では,カラー情報を保持しつつ,色スペクトル間の形状特徴共有を可能にする,新しいディープラーニングビルディングブロックであるカラー等変畳み込み(CEConvs)を提案する。 ニューラルネットワークにおける色相のパラメータ共有を組み込むことにより、等分散の概念を幾何変換から測光変換へ拡張する。 CEConvsの利点は、様々なタスクに対するダウンストリーム性能と、列車-テストの分散シフトを含む色の変化に対する堅牢性の改善である。 我々のアプローチは、ResNetsのような既存のアーキテクチャにシームレスに統合することができ、CNNにおけるカラーベースのドメインシフトに対処するための有望なソリューションを提供する。

関連論文リスト

• Color Universal Design Neural Network for the Color Vision Deficiencies [0.7366405857677227]
  CUD-Netと呼ばれるカラーユニバーサルデザインネットワークを提案し、色不足の個人によって視覚的に理解可能な画像を生成する。 CUD-Netは、色を保存し、入力画像の色を区別できる畳み込みディープニューラルネットワークである。 我々のアプローチは、色とコントラストの安定性を維持する高品質なCUD画像を作成することができる。
  論文  参考訳（メタデータ） (2025-02-12T01:53:15Z)
• Learning Color Equivariant Representations [1.9594704501292781]
  色変化に同値なグループ畳み込みニューラルネットワーク(GCNN)を導入する。 GCNNは、2次元と3次元の回転群からスケールのような半群への様々な幾何学的変換のために設計されている。
  論文  参考訳（メタデータ） (2024-06-13T21:02:03Z)
• Point-aware Interaction and CNN-induced Refinement Network for RGB-D Salient Object Detection [95.84616822805664]
  我々は,CNNによるトランスフォーマーアーキテクチャを導入し,ポイント・アウェア・インタラクションとCNNによるリファインメントを備えた新しいRGB-D SODネットワークを提案する。 トランスフォーマーがもたらすブロック効果とディテール破壊問題を自然に軽減するために,コンテンツリファインメントとサプリメントのためのCNNRユニットを設計する。
  論文  参考訳（メタデータ） (2023-08-17T11:57:49Z)
• On the ability of CNNs to extract color invariant intensity based features for image classification [4.297070083645049]
  畳み込みニューラルネットワーク(CNN)は視覚関連タスクにおいて顕著な成功を収めている。 近年の研究では、画像分類作業において、CNNは対象形状ではなくテクスチャに偏っていることが示唆されている。 本稿では,CNNが文脈や背景を維持しつつ,画像内の異なる色分布に適応できる能力について検討する。
  論文  参考訳（メタデータ） (2023-07-13T00:36:55Z)
• Impact of Colour Variation on Robustness of Deep Neural Networks [0.0]
  ディープニューラルネットワーク(DNN)は、画像分類、セグメンテーション、オブジェクト検出といったコンピュータビジョンアプリケーションの最先端のパフォーマンスを示している。 最近の進歩は、入力データ、すなわち敵攻撃における手動のデジタル摂動に対する脆弱性を示している。 本研究では,イメージネットのサブセットにRGB色を27種類の組み合わせで変形させることにより,色差データセットを提案する。
  論文  参考訳（メタデータ） (2022-09-02T08:16:04Z)
• Learning to Structure an Image with Few Colors and Beyond [59.34619548026885]
  カラー量子化ネットワークであるColorCNNを提案し、分類損失を最小限に抑えて、限られた色空間で画像を構成することを学習する。 複数の色空間サイズ構成をサポートするColorCNN+を導入し、大色空間における認識精度の低下と望ましくない視覚的忠実度に関する過去の問題に対処する。 潜在的な応用として、ネットワーク認識のための画像圧縮手法としてColorCNNが利用可能であることを示す。
  論文  参考訳（メタデータ） (2022-08-17T17:59:15Z)
• Neural Color Operators for Sequential Image Retouching [62.99812889713773]
  本稿では,新たに導入したトレーニング可能なニューラルカラー演算子のシーケンスとして,リタッチ処理をモデル化して,新しい画像リタッチ手法を提案する。 ニューラルカラー演算子は、従来のカラー演算子の振舞いを模倣し、その強度をスカラーで制御しながらピクセルワイズな色変換を学習する。 定量的な測定と視覚的品質の両面で,SOTA法と比較して常に最良の結果が得られている。
  論文  参考訳（メタデータ） (2022-07-17T05:33:19Z)
• Assessing The Importance Of Colours For CNNs In Object Recognition [70.70151719764021]
  畳み込みニューラルネットワーク(CNN)は相反する性質を示すことが示されている。 CNNが予測をしながら色情報に大きく依存していることを実証します。 congruent, greyscale, incongruent画像の合同画像で学習したモデルを評価する。
  論文  参考訳（メタデータ） (2020-12-12T22:55:06Z)
• What Does CNN Shift Invariance Look Like? A Visualization Study [87.79405274610681]
  畳み込みニューラルネットワーク(CNN)による特徴抽出は、機械学習タスクの画像を表現する一般的な方法である。 我々は,一般的な市販CNNモデルから抽出した特徴量の変動を計測し,可視化することに注力する。 人気ネットワークから抽出された特徴はグローバルに不変ではなく,この分散の中にバイアスやアーティファクトが存在すると結論付けている。
  論文  参考訳（メタデータ） (2020-11-09T01:16:30Z)
• How Convolutional Neural Network Architecture Biases Learned Opponency and Colour Tuning [1.0742675209112622]
  最近の研究は、第2層にボトルネックを導入して畳み込みニューラルネットワーク(CNN)アーキテクチャを変更することで、学習機能の変化をもたらすことを示唆している。 この関係を完全に理解するには、訓練されたネットワークを定量的に比較する方法が必要である。 畳み込みニューロンに対する空間的および色調曲線を得るためのアプローチを提案する。
  論文  参考訳（メタデータ） (2020-10-06T11:33:48Z)

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。