論文の概要: Rewrite the Stars

• arxiv url: http://arxiv.org/abs/2403.19967v1
• Date: Fri, 29 Mar 2024 04:10:07 GMT
• ステータス: 処理完了
• システム内更新日: 2024-04-01 16:34:41.910254
• Title: Rewrite the Stars
• Title（参考訳）: 星の書き直し
• Authors: Xu Ma, Xiyang Dai, Yue Bai, Yizhou Wang, Yun Fu,
• Abstract要約: 近年の研究では、ネットワーク設計における「スター操作」の未解決の可能性に注意が向けられている。 本研究は、高次元の非線形特徴空間に入力をマッピングする恒星操作の能力を明らかにすることを試みる。 StarNetはシンプルだがパワフルなプロトタイプで、素晴らしいパフォーマンスと低レイテンシを誇示しています。
• 参考スコア（独自算出の注目度）: 70.48224347277014
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent studies have drawn attention to the untapped potential of the "star operation" (element-wise multiplication) in network design. While intuitive explanations abound, the foundational rationale behind its application remains largely unexplored. Our study attempts to reveal the star operation's ability to map inputs into high-dimensional, non-linear feature spaces -- akin to kernel tricks -- without widening the network. We further introduce StarNet, a simple yet powerful prototype, demonstrating impressive performance and low latency under compact network structure and efficient budget. Like stars in the sky, the star operation appears unremarkable but holds a vast universe of potential. Our work encourages further exploration across tasks, with codes available at https://github.com/ma-xu/Rewrite-the-Stars.
• Abstract（参考訳）: 近年の研究では、ネットワーク設計における「星演算」の未解決の可能性に注意が向けられている。 直感的な説明は多いが、その応用の背後にある基礎的根拠はほとんど解明されていない。 我々の研究は、ネットワークを広げることなく、インプットを高次元で非線形な特徴空間(カーネルのトリックに似た)にマッピングするスター操作の能力を明らかにする試みである。 さらに,小型ネットワーク構造下での優れた性能と低レイテンシ,効率的な予算を実証した,シンプルながら強力なプロトタイプであるStarNetを紹介した。 空の星のように、恒星の操作は目立たずに見えるが、巨大なポテンシャルの宇宙を持っている。 私たちの作業は、https://github.com/ma-xu/Rewrite-the-Stars.comで利用可能なコードを使って、タスクのさらなる探索を奨励します。

関連論文リスト

• Intelligent Go-Explore: Standing on the Shoulders of Giant Foundation Models [5.404186221463082]
  Go-Exploreは、ハード探索問題を解決するために設計されたアルゴリズムの強力なファミリーである。 本稿では,従来の Go-Explore の範囲を大きく広げる Intelligent Go-Explore (IGE) を提案する。 IGEには人間のような能力があり、新しい状態がいかに面白く、あるいは有望であるかを直感的に識別する能力がある。
  論文  参考訳（メタデータ） (2024-05-24T01:45:27Z)
• Rotating Features for Object Discovery [74.1465486264609]
  本稿では,複雑な特徴を高次元に一般化した回転特徴と,分散表現からオブジェクトを抽出する新たな評価手法を提案する。 これらの進歩により、分散オブジェクト中心の表現を単純な玩具から現実世界のデータに拡張することが可能になります。
  論文  参考訳（メタデータ） (2023-06-01T12:16:26Z)
• ODNet: A Convolutional Neural Network for Asteroid Occultation Detection [0.36700088931938835]
  我々は,コンボリューショナルニューラルネットワーク(CNN)とUnistellarネットワークからの観測を用いて,小惑星の眼球運動を確実に検出するアルゴリズムを構築することを提案する。 アルゴリズムは十分に高速で堅牢であるため、リアルタイムな結果を得るためにeVscopesを組み込むことを想定できる。
  論文  参考訳（メタデータ） (2022-10-28T23:53:09Z)
• Searching a High-Performance Feature Extractor for Text Recognition Network [92.12492627169108]
  優れた特徴抽出器を持つための原理を探求し,ドメイン固有の検索空間を設計する。 空間は巨大で複雑な構造であるため、既存のNASアルゴリズムを適用することはできない。 本研究では,空間内を効率的に探索する2段階のアルゴリズムを提案する。
  論文  参考訳（メタデータ） (2022-09-27T03:49:04Z)
• SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
  スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。 近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。 本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。 本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
  論文  参考訳（メタデータ） (2022-05-31T15:55:37Z)
• On the Power of Shallow Learning [0.0]
  カーネルが与えられたら、それを実現するネットワークを見つけることができますか? 我々は、完全に接続されたアーキテクチャに対して、この質問に答え、達成可能なカーネルの空間を完全に特徴づける。 提案手法を実験的に検証し,アクティベーション関数を選択するだけで,広帯域で完全接続されたネットワークの一般化性能を模倣した幅の浅いネットワークを設計できることを実証する。
  論文  参考訳（メタデータ） (2021-06-06T17:25:33Z)
• Towards Open World Object Detection [68.79678648726416]
  ORE: Open World Object Detectorは、対照的なクラスタリングとエネルギーベースの未知の識別に基づいている。 未知のインスタンスの識別と特徴付けは、インクリメンタルなオブジェクト検出設定における混乱を減らすのに役立ちます。
  論文  参考訳（メタデータ） (2021-03-03T18:58:18Z)
• Inductive Graph Embeddings through Locality Encodings [0.42970700836450487]
  ドメイン依存のノード/エッジ属性を使わずに,大規模ネットワークにインダクティブネットワークを組み込むことの問題点を考察する。 本稿では,学習アルゴリズムの基盤として,基本的定義済みの局所符号化を用いることを提案する。 本手法は,役割検出,リンク予測,ノード分類などのタスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-09-26T13:09:11Z)
• StarNet: towards Weakly Supervised Few-Shot Object Detection [87.80771067891418]
  本稿では、終端から終端までの識別可能な非パラメトリック星モデル検出と分類ヘッドを特徴とする数ショットモデルであるStarNetを紹介する。 このヘッドを通じて、バックボーンは画像レベルのラベルのみを使用してメタトレーニングされ、これまで目に見えないいくつかのテストタスクのカテゴリを共同でローカライズおよび分類するための優れた機能を生成する。 数発の検知器であるため、StarNetは事前トレーニングや新しいクラス適応のためのバウンディングボックスアノテーションを一切必要としない。
  論文  参考訳（メタデータ） (2020-03-15T11:35:28Z)

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。