論文の概要: Comparison of Embedded Spaces for Deep Learning Classification
- arxiv url: http://arxiv.org/abs/2408.01767v1
- Date: Sat, 3 Aug 2024 12:34:30 GMT
- ステータス: 処理完了
- システム内更新日: 2024-08-06 18:30:57.887997
- Title: Comparison of Embedded Spaces for Deep Learning Classification
- Title(参考訳): 深層学習分類のための埋め込み空間の比較
- Authors: Stefan Scholl,
- Abstract要約: 本稿では,組込み空間を設計するための様々な手法のコンパクトな概要について述べる。
組込み空間の達成可能な幾何学的構造に関して、ネットワークパラメータの異なる損失関数と制約を比較する。
これらの技術は、MNIST、Fashion MNIST、CIFAR-10データセットのための2次元および3次元の埋め込みで実証され、埋め込み空間を視覚的に検査することができる。
- 参考スコア(独自算出の注目度): 0.0
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: Embedded spaces are a key feature in deep learning. Good embedded spaces represent the data well to support classification and advanced techniques such as open-set recognition, few-short learning and explainability. This paper presents a compact overview of different techniques to design embedded spaces for classification. It compares different loss functions and constraints on the network parameters with respect to the achievable geometric structure of the embedded space. The techniques are demonstrated with two and three-dimensional embeddings for the MNIST, Fashion MNIST and CIFAR-10 datasets, allowing visual inspection of the embedded spaces.
- Abstract(参考訳): 組み込みスペースはディープラーニングの鍵となる機能だ。
良い組込み空間は、オープンセット認識、少数短距離学習、説明可能性のような高度な技術と分類をサポートするために、データをうまく表現する。
本稿では,組込み空間を設計するための様々な手法のコンパクトな概要について述べる。
組込み空間の達成可能な幾何学的構造に関して、ネットワークパラメータの異なる損失関数と制約を比較する。
これらの技術は、MNIST、Fashion MNIST、CIFAR-10データセットのための2次元および3次元の埋め込みで実証され、埋め込み空間を視覚的に検査することができる。
関連論文リスト
- N2F2: Hierarchical Scene Understanding with Nested Neural Feature Fields [112.02885337510716]
Nested Neural Feature Fields (N2F2)は、階層的な監視を用いて単一機能フィールドを学習する新しいアプローチである。
画像空間の任意のスケールで意味的に意味のある画素群を提供するために、2次元クラス非依存セグメンテーションモデルを利用する。
オープンな3次元セグメンテーションやローカライゼーションといったタスクにおいて,最先端のフィールド蒸留法よりも優れた性能を発揮する。
論文 参考訳(メタデータ) (2024-03-16T18:50:44Z) - 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) - Learning Deep Optimal Embeddings with Sinkhorn Divergences [33.496926214655666]
Deep Metric Learningアルゴリズムは、入力データ間の類似性関係を維持するために、効率的な埋め込み空間を学習することを目的としている。
これらのアルゴリズムは、幅広いタスクにおいて大きなパフォーマンス向上を達成したが、包括的な類似性制約を考慮せず、増大させた。
ここでは,新しい,しかし効果的なDeep Class-wise Discrepancy Loss関数を設計することで,識別的深層埋め込み空間を学習することの懸念に対処する。
論文 参考訳(メタデータ) (2022-09-14T07:54:16Z) - Semi-Supervised Manifold Learning with Complexity Decoupled Chart
Autoencoders [65.2511270059236]
本研究は、クラスラベルなどの半教師付き情報を付加できる非対称符号化復号プロセスを備えたチャートオートエンコーダを導入する。
データ多様体の内在次元に依存するネットワークの理論的近似力について論じる。
論文 参考訳(メタデータ) (2022-08-22T19:58:03Z) - HUMAP: Hierarchical Uniform Manifold Approximation and Projection [64.0476282000118]
HUMAPは、局所的・大域的構造と階層的探索を通してのメンタルマップの保存に柔軟に設計された、新しい階層的次元削減技術である。
本手法の優位性を示す実証的な証拠を,現在の階層的アプローチと比較し,その強みを示す2つのケーススタディを示す。
論文 参考訳(メタデータ) (2021-06-14T19:27:54Z) - Learning optimally separated class-specific subspace representations
using convolutional autoencoder [0.0]
サブスペース固有の特徴表現を生成するための新しい畳み込みオートエンコーダアーキテクチャを提案する。
提案手法の有効性を実証するため,最先端の機械学習データセットを用いていくつかの実験を行った。
論文 参考訳(メタデータ) (2021-05-19T00:45:34Z) - Switch Spaces: Learning Product Spaces with Sparse Gating [48.591045282317424]
製品空間における表現を学習するためのデータ駆動アプローチであるswitch spacesを提案する。
我々は空間の選択、結合、切り替えを学習するスパースゲーティング機構を導入する。
知識グラフの補完と項目レコメンデーションの実験により,提案したスイッチ空間が新たな最先端性能を実現することを示す。
論文 参考訳(メタデータ) (2021-02-17T11:06:59Z) - Deep Metric Structured Learning For Facial Expression Recognition [58.7528672474537]
本研究では,よく定義された構造を持つ組込み部分空間を作成するための深度計量学習モデルを提案する。
これらの部分空間を作成するために、出力空間上にガウス構造を課す新しい損失関数が導入された。
学習した埋め込みは,表現検索や感情認識など,様々な応用に有効であることが実験的に実証された。
論文 参考訳(メタデータ) (2020-01-18T06:23:18Z)
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。