論文の概要: Histogram Layers for Neural Engineered Features

• arxiv url: http://arxiv.org/abs/2403.17176v1
• Date: Mon, 25 Mar 2024 20:43:48 GMT
• ステータス: 処理完了
• システム内更新日: 2024-03-27 19:36:07.856082
• Title: Histogram Layers for Neural Engineered Features
• Title（参考訳）: ニューラルネットワーク機能のためのヒストグラム層
• Authors: Joshua Peeples, Salim Al Kharsa, Luke Saleh, Alina Zare,
• Abstract要約: 局所的なバイナリパターンとエッジヒストグラム記述子は、様々なコンピュータビジョンタスクにおいて有益な特徴であることが示されている。 本稿では,ニューラルネットワークに埋め込まれたヒストグラム層を用いて,これらの特徴が学べるかどうかを考察する。 本稿では,特徴表現を協調的に改善し,画像分類を行う,局所的バイナリパターンとエッジヒストグラム記述子のニューラルバージョンを提案する。
• 参考スコア（独自算出の注目度）: 1.3963768610574674
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In the computer vision literature, many effective histogram-based features have been developed. These engineered features include local binary patterns and edge histogram descriptors among others and they have been shown to be informative features for a variety of computer vision tasks. In this paper, we explore whether these features can be learned through histogram layers embedded in a neural network and, therefore, be leveraged within deep learning frameworks. By using histogram features, local statistics of the feature maps from the convolution neural networks can be used to better represent the data. We present neural versions of local binary pattern and edge histogram descriptors that jointly improve the feature representation and perform image classification. Experiments are presented on benchmark and real-world datasets.
• Abstract（参考訳）: コンピュータビジョン文学では、多くの効果的なヒストグラムベースの特徴が開発されている。 これらのエンジニアリングされた特徴には、ローカルバイナリパターンやエッジヒストグラム記述子などが含まれており、様々なコンピュータビジョンタスクに有用な特徴であることが示されている。 本稿では,ニューラルネットワークに埋め込まれたヒストグラム層を用いて,これらの特徴が学習可能かどうかを検討する。 ヒストグラムの特徴を用いることで、畳み込みニューラルネットワークからの特徴マップの局所統計を用いて、データをよりよく表現することができる。 本稿では,特徴表現を協調的に改善し,画像分類を行う,局所的バイナリパターンとエッジヒストグラム記述子のニューラルバージョンを提案する。 実験は、ベンチマークと実世界のデータセットに表示される。

関連論文リスト

• Coding schemes in neural networks learning classification tasks [52.22978725954347]
  完全接続型広義ニューラルネットワーク学習タスクについて検討する。 ネットワークが強力なデータ依存機能を取得することを示す。 驚くべきことに、内部表現の性質は神経の非線形性に大きく依存する。
  論文  参考訳（メタデータ） (2024-06-24T14:50:05Z)
• Know Your Neighborhood: General and Zero-Shot Capable Binary Function Search Powered by Call Graphlets [0.7646713951724013]
  本稿では,コールグラフレットと呼ばれる新しいグラフデータ表現を組み合わせた,新しいグラフニューラルネットワークアーキテクチャを提案する。 専門的なグラフニューラルネットワークモデルは、このグラフ表現に基づいて動作し、セマンティックバイナリコードの類似性を符号化する特徴ベクトルにマッピングすることを学ぶ。 実験結果から,コールグラフレットと新しいグラフニューラルネットワークアーキテクチャを組み合わせることで,同等あるいは最先端の性能が得られることがわかった。
  論文  参考訳（メタデータ） (2024-06-02T18:26:50Z)
• GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
  グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。 本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2024-01-17T13:04:23Z)
• A Robust Stacking Framework for Training Deep Graph Models with Multifaceted Node Features [61.92791503017341]
  数値ノード特徴とグラフ構造を入力とするグラフニューラルネットワーク(GNN)は,グラフデータを用いた各種教師付き学習タスクにおいて,優れた性能を示した。 IID(non-graph)データをGNNに簡単に組み込むことはできない。 本稿では、グラフ認識の伝播をIDデータに意図した任意のモデルで融合するロバストな積み重ねフレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-16T22:46:33Z)
• Self-Supervised Graph Representation Learning for Neuronal Morphologies [75.38832711445421]
  ラベルのないデータセットから3次元神経形態の低次元表現を学習するためのデータ駆動型アプローチであるGraphDINOを提案する。 2つの異なる種と複数の脳領域において、この方法では、専門家による手動の特徴に基づく分類と同程度に形態学的細胞型クラスタリングが得られることを示す。 提案手法は,大規模データセットにおける新しい形態的特徴や細胞型の発見を可能にする可能性がある。
  論文  参考訳（メタデータ） (2021-12-23T12:17:47Z)
• Similarity and Matching of Neural Network Representations [0.0]
  我々は、深層ニューラルネットワークにおける表現の類似性を分析するために、Frankenstein博士と呼ばれるツールセットを使用します。 我々は、2つのトレーニングニューラルネットワークの与えられた層上でのアクティベーションを、縫合層で結合することで一致させることを目指している。
  論文  参考訳（メタデータ） (2021-10-27T17:59:46Z)
• Temporal Graph Network Embedding with Causal Anonymous Walks Representations [54.05212871508062]
  本稿では,時間グラフネットワークに基づく動的ネットワーク表現学習のための新しいアプローチを提案する。 評価のために、時間的ネットワーク埋め込みの評価のためのベンチマークパイプラインを提供する。 欧州の大手銀行が提供した実世界のダウンストリームグラフ機械学習タスクにおいて、我々のモデルの適用性と優れた性能を示す。
  論文  参考訳（メタデータ） (2021-08-19T15:39:52Z)
• Probing neural networks with t-SNE, class-specific projections and a guided tour [0.0]
  ネットワーク内の連続層におけるt-SNE出力のプロットは、データポイントの整理がますます整理されることを示している。 継承するレイヤがどのようにクラスを分離するかを視覚化するために、主要コンポーネントのクラス固有のアナログを使用します。
  論文  参考訳（メタデータ） (2021-07-27T01:42:07Z)
• Reverse-engineering Bar Charts Using Neural Networks [13.300297308628785]
  本稿では,バーチャートのリバースエンジニアリングのためのニューラルネットワークに基づく手法を提案する。 我々は、テキスト情報のローカライズと分類を同時に行うために、ニューラルネットワークに基づくオブジェクト検出モデルを採用する。 畳み込みと繰り返しのニューラルネットワークを統合して数値情報を抽出するエンコーダ・デコーダ・フレームワークを設計する。
  論文  参考訳（メタデータ） (2020-09-05T08:14:35Z)
• Neural networks adapting to datasets: learning network size and topology [77.34726150561087]
  ニューラルネットワークは、勾配に基づくトレーニングの過程で、そのサイズとトポロジの両方を学習できるフレキシブルなセットアップを導入します。 結果として得られるネットワークは、特定の学習タスクとデータセットに合わせたグラフの構造を持つ。
  論文  参考訳（メタデータ） (2020-06-22T12:46:44Z)

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。