論文の概要: Deep Internal Learning: Deep Learning from a Single Input

• arxiv url: http://arxiv.org/abs/2312.07425v1
• Date: Tue, 12 Dec 2023 16:48:53 GMT
• ステータス: 処理完了
• システム内更新日: 2023-12-13 15:16:52.596940
• Title: Deep Internal Learning: Deep Learning from a Single Input
• Title（参考訳）: 深層内部学習: 1つの入力からの深層学習
• Authors: Tom Tirer, Raja Giryes, Se Young Chun, Yonina C. Eldar
• Abstract要約: 多くの場合、手元にある入力からネットワークをトレーニングする価値がある。 これは、単一の入力を使用してネットワークをゼロからトレーニングすることや、すでにトレーニング済みのネットワークを推論時に提供された入力例に適応することを含む。 本研究の目的は,この2つの重要な方向に向けて,過去数年間に提案されてきた深層学習技術について報告することである。
• 参考スコア（独自算出の注目度）: 96.78876998914811
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning in general focuses on training a neural network from large labeled datasets. Yet, in many cases there is value in training a network just from the input at hand. This may involve training a network from scratch using a single input or adapting an already trained network to a provided input example at inference time. This survey paper aims at covering deep internal-learning techniques that have been proposed in the past few years for these two important directions. While our main focus will be on image processing problems, most of the approaches that we survey are derived for general signals (vectors with recurring patterns that can be distinguished from noise) and are therefore applicable to other modalities. We believe that the topic of internal-learning is very important in many signal and image processing problems where training data is scarce and diversity is large on the one hand, and on the other, there is a lot of structure in the data that can be exploited.
• Abstract（参考訳）: ディープラーニングは一般的に、大きなラベル付きデータセットからニューラルネットワークをトレーニングすることにフォーカスする。 しかし、多くの場合、目の前の入力からのみネットワークをトレーニングする価値があります。 これは、単一の入力を使用してネットワークをゼロからトレーニングすることや、すでにトレーニング済みのネットワークを推論時に提供された入力例に適応することを含む。 本研究の目的は,この2つの重要な方向に向けて,過去数年間に提案されてきた深層学習技術について報告することである。 主に画像処理問題に焦点をあてるが、我々の調査したアプローチのほとんどは一般的な信号(ノイズと区別できる繰り返しパターンを持つベクター)に対して導出されており、そのため他のモダリティにも適用できる。 内部学習のトピックは、トレーニングデータが不足し、多様性が大きい多くの信号処理や画像処理の問題において非常に重要であり、一方、活用可能なデータには多くの構造がある、と我々は信じている。

関連論文リスト

• Identifying Key Nodes for the Influence Spread using a Machine Learning Approach [0.8192907805418583]
  本稿では、影響拡散問題に対する強化された機械学習ベースのフレームワークを提案する。 本稿では,一般的な参照手法である独立カスケードモデルのキーノードの同定に着目する。 次に,本手法は,与えられたノードの影響を予測できるだけでなく,拡散過程の他の特性も決定できることを示す。
  論文  参考訳（メタデータ） (2024-12-02T20:17:44Z)
• Uncertainty Quantification and Resource-Demanding Computer Vision Applications of Deep Learning [5.130440339897478]
  ディープニューラルネットワーク(DNN)を安全クリティカルなアプリケーションに導入するには、モデルの不確実性を徹底的に扱う必要がある。 本稿では、新しいオブジェクトクラスに遭遇したとき、DNNに不確実性を示す方法について調査する。 また、不確実性定量化の助けを借りて、少数のラベルから学習する訓練方法を提案する。
  論文  参考訳（メタデータ） (2022-05-30T08:31:03Z)
• Being Friends Instead of Adversaries: Deep Networks Learn from Data Simplified by Other Networks [23.886422706697882]
  フレンドリートレーニング(Friendly Training)は、自動的に推定される摂動を追加することで入力データを変更するものである。 本稿では,ニューラルネットワークの有効性に触発されて,このアイデアを再考し,拡張する。 本稿では,入力データの変更に責任を負う補助的な多層ネットワークを提案する。
  論文  参考訳（メタデータ） (2021-12-18T16:59:35Z)
• Reasoning-Modulated Representations [85.08205744191078]
  タスクが純粋に不透明でないような共通的な環境について研究する。 我々のアプローチは、新しいデータ効率表現学習の道を開く。
  論文  参考訳（メタデータ） (2021-07-19T13:57:13Z)
• Multi-Agent Semi-Siamese Training for Long-tail and Shallow Face Learning [54.13876727413492]
  多くの現実世界の顔認識シナリオでは、トレーニングデータセットの深さは浅いため、IDごとに2つの顔画像しか利用できません。 非均一なサンプルの増加により、このような問題はより一般的なケース、すなわち長い尾の顔学習に変換される。 これらの問題に対処するために,マルチエージェントセミシアントレーニング(masst)という高度なソリューションを導入する。 広範な実験と比較は、長い尾と浅い顔学習のためのMASSTの利点を示しています。
  論文  参考訳（メタデータ） (2021-05-10T04:57:32Z)
• A neural anisotropic view of underspecification in deep learning [60.119023683371736]
  ニューラルネットが問題の未特定化を扱う方法が,データ表現に大きく依存していることを示す。 深層学習におけるアーキテクチャ的インダクティブバイアスの理解は,これらのシステムの公平性,堅牢性,一般化に対処する上で基本的であることを強調した。
  論文  参考訳（メタデータ） (2021-04-29T14:31:09Z)
• Federated Learning: A Signal Processing Perspective [144.63726413692876]
  フェデレーションラーニングは、データを明示的に交換することなく、ローカルデータセットを保持する複数のエッジデバイスでモデルをトレーニングするための新しい機械学習パラダイムです。 本稿では、信号処理ツールを用いて扱うのが自然である主な課題をカプセル化し、強調する、連合学習のための統一的な体系的フレームワークを提供する。
  論文  参考訳（メタデータ） (2021-03-31T15:14:39Z)
• Laplacian Denoising Autoencoder [114.21219514831343]
  本稿では,新しいタイプの自動符号化器を用いてデータ表現を学習することを提案する。 勾配領域における潜伏クリーンデータを破損させて雑音入力データを生成する。 いくつかのビジュアルベンチマークの実験では、提案されたアプローチでより良い表現が学べることが示されている。
  論文  参考訳（メタデータ） (2020-03-30T16:52:39Z)
• When Deep Learning Meets Data Alignment: A Review on Deep Registration Networks (DRNs) [4.616914111718527]
  機械学習の最近の進歩は、コンピュータビジョンの分野における転換点となるかもしれない。 機械学習の最近の進歩は、コンピュータビジョンの分野における転換点となるかもしれない。
  論文  参考訳（メタデータ） (2020-03-06T12:56:19Z)

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。