論文の概要: Rock Classification Based on Residual Networks
- arxiv url: http://arxiv.org/abs/2402.11831v1
- Date: Mon, 19 Feb 2024 04:45:15 GMT
- ステータス: 処理完了
- システム内更新日: 2024-02-20 18:29:53.748058
- Title: Rock Classification Based on Residual Networks
- Title（参考訳）: 残留ネットワークに基づく岩石の分類
- Authors: Sining Zhoubian, Yuyang Wang, Zhihuan Jiang
- Abstract要約: 岩盤分類の問題に対処するために,残差ニューラルネットワークを用いた2つのアプローチを提案する。
ResNet34に基づくカーネルサイズや正規化メソッド,コンポジションを変更することで,テストデータセット上での精度を70.1%向上する。
マルチヘッド・セルフ・アテンションを組み込んだBoTNetのようなバックボーンを使って、モデルの内部残余接続も利用しています。
これにより、モデルのパフォーマンスが向上し、テストデータセットで73.7%の精度が達成される。
- 参考スコア（独自算出の注目度）: 4.256045122451066
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Rock Classification is an essential geological problem since it provides
important formation information. However, exploration on this problem using
convolutional neural networks is not sufficient. To tackle this problem, we
propose two approaches using residual neural networks. We first adopt data
augmentation methods to enlarge our dataset. By modifying kernel sizes,
normalization methods and composition based on ResNet34, we achieve an accuracy
of 70.1% on the test dataset, with an increase of 3.5% compared to regular
Resnet34. Furthermore, using a similar backbone like BoTNet that incorporates
multihead self attention, we additionally use internal residual connections in
our model. This boosts the model's performance, achieving an accuracy of 73.7%
on the test dataset. We also explore how the number of bottleneck transformer
blocks may influence model performance. We discover that models with more than
one bottleneck transformer block may not further improve performance. Finally,
we believe that our approach can inspire future work related to this problem
and our model design can facilitate the development of new residual model
architectures.
- Abstract（参考訳）: 岩石分類は重要な形成情報を提供するため、重要な地質問題である。
しかし、畳み込みニューラルネットワークによるこの問題の探索は不十分である。
そこで本研究では,残差ニューラルネットワークを用いた2つのアプローチを提案する。
まず、データセットを拡大するためにデータ拡張手法を採用します。
ResNet34をベースとしたカーネルサイズや正規化メソッド,コンポジションを変更することで,通常のResnet34に比べて3.5%の精度で,テストデータセット上で70.1%の精度を実現した。
さらに、マルチヘッド自己注意を組み込んだBoTNetのようなバックボーンを用いて、モデルの内部残差接続も使用しています。
これによりモデルのパフォーマンスが向上し、テストデータセットで73.7%の精度が得られる。
また、ボトルネックトランスフォーマーブロックの数がモデルの性能に与える影響についても検討する。
複数のボトルネックトランスフォーマーブロックを持つモデルでは,パフォーマンスが向上しない可能性がある。
最後に、我々はこのアプローチがこの問題に関連する将来の作業に刺激を与え、モデル設計は新たな残留モデルアーキテクチャの開発を促進することができると考えている。
関連論文リスト
- Enhancing Rock Image Segmentation in Digital Rock Physics: A Fusion of
Generative AI and State-of-the-Art Neural Networks [5.089732183029123]
デジタル・ロック物理学において、CTとSEMスキャンから微細構造を分析することは、ポーシティーや細孔接続性などの特性を推定するために重要である。
しきい値やCNNのような従来のセグメンテーション手法は、しばしば岩の微細構造を正確に詳細に記述するに足りず、ノイズを生じやすい。
U-Netはセグメンテーションの精度を改善したが、複雑な細孔形状のため、多くの専門家による注釈付きサンプルを必要とした。
我々の研究は、これらの制限を克服するために、高度な生成AIモデルである拡散モデルを用いていた。
TransU-Netは、デジタルロック物理学の新しい標準を設定し、将来の地球科学と工学のブレークスルーの道を開く。
論文 参考訳（メタデータ） (2023-11-10T14:24:50Z) - On the effectiveness of partial variance reduction in federated learning
with heterogeneous data [27.527995694042506]
クライアント間の最終分類層の多様性は、FedAvgアルゴリズムの性能を阻害することを示す。
そこで本研究では,最終層のみの分散還元によるモデル修正を提案する。
同様の通信コストや低い通信コストで既存のベンチマークを著しく上回っていることを実証する。
論文 参考訳（メタデータ） (2022-12-05T11:56:35Z) - Part-Based Models Improve Adversarial Robustness [57.699029966800644]
人間の事前知識とエンドツーエンドの学習を組み合わせることで、ディープニューラルネットワークの堅牢性を向上させることができることを示す。
我々のモデルは、部分分割モデルと小さな分類器を組み合わせて、オブジェクトを同時に部品に分割するようにエンドツーエンドに訓練されている。
実験の結果,これらのモデルによりテクスチャバイアスが低減され,一般的な汚職に対する堅牢性が向上し,相関が急上昇することが示唆された。
論文 参考訳（メタデータ） (2022-09-15T15:41:47Z) - From Environmental Sound Representation to Robustness of 2D CNN Models
Against Adversarial Attacks [82.21746840893658]
本稿では, 各種環境音響表現(スペクトログラム)が, 被害者残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
DWTスペクトログラムでトレーニングしたResNet-18モデルでは高い認識精度が得られたが、このモデルに対する攻撃は敵にとって比較的コストがかかる。
論文 参考訳（メタデータ） (2022-04-14T15:14:08Z) - Improved Aggregating and Accelerating Training Methods for Spatial Graph
Neural Networks on Fraud Detection [0.0]
本稿では,CARE-GNNをResidual Layered CARE-GNN(RLC-GNN)と呼ばれるディープモデルに拡張する改良されたディープアーキテクチャを提案する。
RLC-GNNの3つの課題は、近隣情報の利用が制限に達すること、訓練の難しさ、およびノードの特徴や外部パターンに関する包括的な考慮の欠如である。
YelpとAmazonのデータセットで実験が行われる。
論文 参考訳（メタデータ） (2022-02-14T09:51:35Z) - Robust lEarned Shrinkage-Thresholding (REST): Robust unrolling for
sparse recover [87.28082715343896]
我々は、モデルミス特定を前進させるのに堅牢な逆問題を解決するためのディープニューラルネットワークについて検討する。
我々は,アルゴリズムの展開手法を根底にある回復問題のロバストバージョンに適用することにより,新しい堅牢なディープニューラルネットワークアーキテクチャを設計する。
提案したRESTネットワークは,圧縮センシングとレーダイメージングの両問題において,最先端のモデルベースおよびデータ駆動アルゴリズムを上回る性能を示す。
論文 参考訳（メタデータ） (2021-10-20T06:15:45Z) - Network Augmentation for Tiny Deep Learning [73.57192520534585]
ニューラルネットワークの性能向上のための新しいトレーニング手法であるNetAug(Net Aug)を紹介する。
画像分類と物体検出におけるNetAugの有効性を示す。
論文 参考訳（メタデータ） (2021-10-17T18:48:41Z) - Densely connected neural networks for nonlinear regression [8.830042935753303]
本稿では,畳み込み層とプール層を完全連結層に置き換えた新しいDenseNet回帰モデルを提案する。
結果は最適な深さ(19)を与え、限られた入力次元(200以下)を推奨する。
最終的に、DenseNet回帰は相対湿度を予測するために適用され、その結果は観測と高い相関(0.91)を示す。
論文 参考訳（メタデータ） (2021-07-29T03:41:56Z) - Firearm Detection via Convolutional Neural Networks: Comparing a
Semantic Segmentation Model Against End-to-End Solutions [68.8204255655161]
武器の脅威検出とライブビデオからの攻撃的な行動は、潜在的に致命的な事故の迅速検出と予防に使用できる。
これを実現する一つの方法は、人工知能と、特に画像分析のための機械学習を使用することです。
従来のモノリシックなエンド・ツー・エンドのディープラーニングモデルと、セマンティクスセグメンテーションによって火花を検知する単純なニューラルネットワークのアンサンブルに基づく前述したモデルを比較した。
論文 参考訳（メタデータ） (2020-12-17T15:19:29Z) - From Sound Representation to Model Robustness [82.21746840893658]
本研究では, 環境音の標準的な表現(スペクトログラム)が, 被害者の残差畳み込みニューラルネットワークの認識性能と対角攻撃性に与える影響について検討する。
3つの環境音響データセットの様々な実験から、ResNet-18モデルは、他のディープラーニングアーキテクチャよりも優れていることがわかった。
論文 参考訳（メタデータ） (2020-07-27T17:30:49Z)
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。