論文の概要: A novel Fourier neural operator framework for classification of
multi-sized images: Application to 3D digital porous media
- arxiv url: http://arxiv.org/abs/2402.11568v1
- Date: Sun, 18 Feb 2024 12:31:29 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 20:20:44.421517
- Title: A novel Fourier neural operator framework for classification of
multi-sized images: Application to 3D digital porous media
- Title（参考訳）: 多次元画像の分類のための新しいフーリエニューラルオペレーターフレームワーク:3次元デジタル多孔質メディアへの応用
- Authors: Ali Kashefi, Tapan Mukerji
- Abstract要約: 様々なサイズで画像の分類を行うための新しいディープラーニングフレームワークを提案する。
提案するネットワークをマルチサイズの画像で同時にトレーニングする。
導入したフレームワークの有効性を示し、その性能を直感的なアプローチと比較する。
- 参考スコア（独自算出の注目度）: 5.373752180709173
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Fourier neural operators (FNOs) are invariant with respect to the size of
input images, and thus images with any size can be fed into FNO-based
frameworks without any modification of network architectures, in contrast to
traditional convolutional neural networks (CNNs). Leveraging the advantage of
FNOs, we propose a novel deep-learning framework for classifying images with
varying sizes. Particularly, we simultaneously train the proposed network on
multi-sized images. As a practical application, we consider the problem of
predicting the label (e.g., permeability) of three-dimensional digital porous
media. To construct the framework, an intuitive approach is to connect FNO
layers to a classifier using adaptive max pooling. First, we show that this
approach is only effective for porous media with fixed sizes, whereas it fails
for porous media of varying sizes. To overcome this limitation, we introduce
our approach: instead of using adaptive max pooling, we use static max pooling
with the size of channel width of FNO layers. Since the channel width of the
FNO layers is independent of input image size, the introduced framework can
handle multi-sized images during training. We show the effectiveness of the
introduced framework and compare its performance with the intuitive approach
through the example of the classification of three-dimensional digital porous
media of varying sizes.
- Abstract（参考訳）: フーリエニューラル演算子(FNO)は入力画像のサイズに関して不変であるため、従来の畳み込みニューラルネットワーク(CNN)とは対照的に、任意の大きさの画像をネットワークアーキテクチャの変更なしにFNOベースのフレームワークに入力することができる。
FNOの利点を生かして,様々な大きさの画像を分類する新しいディープラーニングフレームワークを提案する。
特に,提案するネットワークを多次元画像上で同時にトレーニングする。
実用的応用として,3次元ディジタル多孔質媒体のラベル(透過性など)の予測の問題を考える。
このフレームワークを構築するための直感的なアプローチは、適応的な最大プーリングを用いてFNO層を分類器に接続することである。
まず, 一定サイズを有する多孔質媒体に対してのみ有効であり, 異なるサイズを有する多孔質媒体に対して有効であることを示す。
この制限を克服するため,我々は適応的な最大プールを使用する代わりに,FNO層のチャネル幅の大きい静的最大プールを使用する。
FNO層のチャネル幅は入力画像サイズとは無関係であるため、導入したフレームワークはトレーニング中にマルチサイズの画像を処理できる。
導入したフレームワークの有効性を示し、様々な大きさの3次元デジタル多孔質媒体の分類例を例に、直感的な手法と比較する。
関連論文リスト
- Parameter-Inverted Image Pyramid Networks [49.35689698870247]
Inverted Image Pyramid Networks (PIIP) と呼ばれる新しいネットワークアーキテクチャを提案する。
私たちの中核となる考え方は、パラメータサイズの異なるモデルを使用して、画像ピラミッドの解像度の異なるレベルを処理することです。
PIIPは、オブジェクト検出、セグメンテーション、画像分類などのタスクにおいて優れたパフォーマンスを達成する。
論文 参考訳（メタデータ） (2024-06-06T17:59:10Z) - Multi-scale Unified Network for Image Classification [33.560003528712414]
CNNは、実世界のマルチスケール画像入力を扱う際に、性能と計算効率において顕著な課題に直面している。
本稿では,マルチスケール,統一ネットワーク,スケール不変制約からなるMultiscale Unified Network(MUSN)を提案する。
MUSNは精度が44.53%向上し、マルチスケールシナリオではFLOPを7.01-16.13%減少させる。
論文 参考訳（メタデータ） (2024-03-27T06:40:26Z) - Hyper-VolTran: Fast and Generalizable One-Shot Image to 3D Object
Structure via HyperNetworks [53.67497327319569]
画像から3Dまでを1つの視点から解く新しいニューラルレンダリング手法を提案する。
提案手法では, 符号付き距離関数を表面表現として使用し, 幾何エンコードボリュームとハイパーネットワークスによる一般化可能な事前処理を取り入れた。
本実験は,一貫した結果と高速な生成による提案手法の利点を示す。
論文 参考訳（メタデータ） (2023-12-24T08:42:37Z) - Distance Weighted Trans Network for Image Completion [52.318730994423106]
本稿では,DWT(Distance-based Weighted Transformer)を利用した画像コンポーネント間の関係をよりよく理解するためのアーキテクチャを提案する。
CNNは、粗い事前の局所的なテクスチャ情報を強化するために使用される。
DWTブロックは、特定の粗いテクスチャやコヒーレントな視覚構造を復元するために使用される。
論文 参考訳（メタデータ） (2023-10-11T12:46:11Z) - Deep Neural Networks Fused with Textures for Image Classification [20.58839604333332]
きめ細かい画像分類はコンピュータビジョンにおいて難しい課題である。
グローバルテクスチャと局所パッチ情報を組み合わせたFGICの融合手法を提案する。
提案手法は,有意なマージンを有する既存手法よりも高い分類精度を達成できた。
論文 参考訳（メタデータ） (2023-08-03T15:21:08Z) - Scale Attention for Learning Deep Face Representation: A Study Against
Visual Scale Variation [69.45176408639483]
我々はスケール空間理論に頼って凸層を再構築する。
我々はSCale AttentioN Conv Neural Network(textbfSCAN-CNN)という新しいスタイルを構築した。
単発方式として、推論はマルチショット融合よりも効率的である。
論文 参考訳（メタデータ） (2022-09-19T06:35:04Z) - A Novel Patch Convolutional Neural Network for View-based 3D Model
Retrieval [36.12906920608775]
ビューベース3次元モデル検索のための新しいパッチ畳み込みニューラルネットワーク(PCNN)を提案する。
提案したPCNNは, それぞれ93.67%, 96.23%と, 最先端のアプローチより優れている。
論文 参考訳（メタデータ） (2021-09-25T07:18:23Z) - Point-Cloud Deep Learning of Porous Media for Permeability Prediction [0.0]
デジタル画像から多孔質媒体の透過性を予測するための新しいディープラーニングフレームワークを提案する。
我々は、固体行列と細孔空間の境界を点雲としてモデル化し、それらをポイントネットアーキテクチャに基づくニューラルネットワークへの入力として供給する。
論文 参考訳（メタデータ） (2021-07-18T22:59:21Z) - Glance and Focus: a Dynamic Approach to Reducing Spatial Redundancy in
Image Classification [46.885260723836865]
ディープ畳み込みニューラルネットワーク (Deep Convolutional Neural Network, CNN) は、高解像度画像で処理することで一般的に改善される。
画像中のすべての領域がタスク関連であるとは限らないという事実に着想を得て,効率的な画像分類を行う新しいフレームワークを提案する。
我々のフレームワークは、最先端の軽量CNNの多くと互換性があり、汎用的で柔軟です。
論文 参考訳（メタデータ） (2020-10-11T17:55:06Z) - Learning to Learn Parameterized Classification Networks for Scalable
Input Images [76.44375136492827]
畳み込みニューラルネットワーク(CNN)は、入力解像度の変化に関して予測可能な認識動作を持たない。
我々はメタラーナーを用いて、様々な入力スケールのメインネットワークの畳み込み重みを生成する。
さらに、異なる入力解像度に基づいて、モデル予測よりもフライでの知識蒸留を利用する。
論文 参考訳（メタデータ） (2020-07-13T04:27:25Z) - Model Fusion via Optimal Transport [64.13185244219353]
ニューラルネットワークのための階層モデル融合アルゴリズムを提案する。
これは、不均一な非i.d.データに基づいてトレーニングされたニューラルネットワーク間での"ワンショット"な知識伝達に成功していることを示す。
論文 参考訳（メタデータ） (2019-10-12T22:07:15Z)
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。