論文の概要: HyperSpaceX: Radial and Angular Exploration of HyperSpherical Dimensions

• arxiv url: http://arxiv.org/abs/2408.02494v1
• Date: Mon, 5 Aug 2024 14:18:29 GMT
• ステータス: 処理完了
• システム内更新日: 2024-08-06 13:26:57.522988
• Title: HyperSpaceX: Radial and Angular Exploration of HyperSpherical Dimensions
• Title（参考訳）: HyperSpaceX:超球次元の放射と角探査
• Authors: Chiranjeev Chiranjeev, Muskan Dosi, Kartik Thakral, Mayank Vatsa, Richa Singh,
• Abstract要約: HyperSpaceXとして知られる新しい機能探索の分野が提案されている。 これは多球面空間における角次元と半径次元の両方を探索することによってクラス識別を強化する。 7つのオブジェクト分類と6つの顔認識データセットによる実験は、最先端の結果を示している。
• 参考スコア（独自算出の注目度）: 43.20744744438439
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traditional deep learning models rely on methods such as softmax cross-entropy and ArcFace loss for tasks like classification and face recognition. These methods mainly explore angular features in a hyperspherical space, often resulting in entangled inter-class features due to dense angular data across many classes. In this paper, a new field of feature exploration is proposed known as HyperSpaceX which enhances class discrimination by exploring both angular and radial dimensions in multi-hyperspherical spaces, facilitated by a novel DistArc loss. The proposed DistArc loss encompasses three feature arrangement components: two angular and one radial, enforcing intra-class binding and inter-class separation in multi-radial arrangement, improving feature discriminability. Evaluation of HyperSpaceX framework for the novel representation utilizes a proposed predictive measure that accounts for both angular and radial elements, providing a more comprehensive assessment of model accuracy beyond standard metrics. Experiments across seven object classification and six face recognition datasets demonstrate state-of-the-art (SoTA) results obtained from HyperSpaceX, achieving up to a 20% performance improvement on large-scale object datasets in lower dimensions and up to 6% gain in higher dimensions.
• Abstract（参考訳）: 従来のディープラーニングモデルは、分類や顔認識といったタスクにおいて、ソフトマックスのクロスエントロピーやArcFaceの損失といった手法に依存している。 これらの手法は主に超球面空間における角的特徴を探索し、多くのクラスにまたがる密接な角データにより、しばしばクラス間特徴が絡み合う結果となる。 本稿では,多球面空間における角次元と半径次元の両方を探索することにより,クラス識別を向上させるHyperSpaceXと呼ばれる新たな特徴探索手法を提案する。 提案したDistArc損失は、3つの特徴配置成分を含む: 2つの角と1つの放射状、クラス内結合とクラス間分離を多径配置で実施し、特徴識別性を向上させる。 斬新な表現のためのHyperSpaceXフレームワークの評価は、角要素と半径要素の両方を考慮に入れた予測測度を利用しており、標準測度を超えるモデルの精度をより包括的に評価する。 7つのオブジェクト分類と6つの顔認識データセットによる実験は、HyperSpaceXから得られた最先端(SoTA)結果を示し、より低次元の大規模オブジェクトデータセットで最大20%のパフォーマンス向上と、より高次元での最大6%のゲインを実現している。

関連論文リスト

• HSLiNets: Hyperspectral Image and LiDAR Data Fusion Using Efficient Dual Non-Linear Feature Learning Networks [7.06787067270941]
  新しい線形特徴空間におけるハイパースペクトルイメージング(HSI)とLiDARデータの統合は、HSIに固有の高次元性と冗長性に起因する課題に対する有望な解決策を提供する。 本研究では、双方向逆畳み込み畳み込みニューラルネットワーク(CNN)経路と特殊空間解析ブロックを併用した、二重線型融合空間フレームワークを提案する。 提案手法は,データ処理や分類精度を向上するだけでなく,トランスフォーマーなどの先進モデルに係わる計算負担を軽減する。
  論文  参考訳（メタデータ） (2024-11-30T01:08:08Z)
• Point Cloud Compression with Implicit Neural Representations: A Unified Framework [54.119415852585306]
  我々は幾何学と属性の両方を扱える先駆的なクラウド圧縮フレームワークを提案する。 本フレームワークでは,2つの座標ベースニューラルネットワークを用いて,voxelized point cloudを暗黙的に表現する。 本手法は,既存の学習手法と比較して,高い普遍性を示す。
  論文  参考訳（メタデータ） (2024-05-19T09:19:40Z)
• Hyperspectral Images Classification and Dimensionality Reduction using spectral interaction and SVM classifier [0.0]
  ハイパースペクトル画像(HSI)の高次元性は、収集したデータを分析する上で大きな課題の1つである。 ノイズ、冗長、無関係なバンドの存在は、計算複雑性を増大させる。 本稿では,スペクトル相互作用尺度に基づく新しいフィルタ手法と,次元減少のための支持ベクトルマシンを提案する。
  論文  参考訳（メタデータ） (2022-10-27T15:37:57Z)
• HRCF: Enhancing Collaborative Filtering via Hyperbolic Geometric Regularization [52.369435664689995]
  HRCF (textitHyperbolic Regularization powered Collaborative Filtering) を導入し,幾何認識型双曲正規化器を設計する。 具体的には、ルートアライメントとオリジン認識ペナルティによる最適化手順を強化する。 提案手法は,双曲的凝集による過度な平滑化問題に対処でき,モデルの識別能力も向上する。
  論文  参考訳（メタデータ） (2022-04-18T06:11:44Z)
• Incorporating Texture Information into Dimensionality Reduction for High-Dimensional Images [65.74185962364211]
  距離ベース次元削減手法に周辺情報を組み込む手法を提案する。 画像パッチを比較する異なる手法の分類に基づいて,様々なアプローチを探索する。
  論文  参考訳（メタデータ） (2022-02-18T13:17:43Z)
• Improvising the Learning of Neural Networks on Hyperspherical Manifold [0.0]
  教師付き設定における畳み込みニューラルネットワーク(CNN)の影響は、大幅なパフォーマンス向上をもたらした。 CNNの超球面多様体上での操作から学んだ表現は、顔認識において洞察に富んだ結果をもたらした。 ユークリッド空間におけるソフトマックスよりも優れた超球直観によって、幅広い活性化関数が発達する。
  論文  参考訳（メタデータ） (2021-09-29T22:39:07Z)
• Pure Exploration in Kernel and Neural Bandits [90.23165420559664]
  我々は、特徴表現の次元が腕の数よりもはるかに大きい帯域における純粋な探索について研究する。 そこで本研究では,各アームの特徴表現を低次元空間に適応的に埋め込む手法を提案する。
  論文  参考訳（メタデータ） (2021-06-22T19:51:59Z)
• Joint and Progressive Subspace Analysis (JPSA) with Spatial-Spectral Manifold Alignment for Semi-Supervised Hyperspectral Dimensionality Reduction [48.73525876467408]
  本稿では,超スペクトル部分空間解析のための新しい手法を提案する。 この手法はジョイント・アンド・プログレッシブ・サブスペース分析(JPSA)と呼ばれる。 2つの広帯域超スペクトルデータセットに対して提案したJPSAの優位性と有効性を示す実験を行った。
  論文  参考訳（メタデータ） (2020-09-21T16:29:59Z)
• Scan-based Semantic Segmentation of LiDAR Point Clouds: An Experimental Study [2.6205925938720833]
  最先端の手法では、深いニューラルネットワークを使用して、LiDARスキャンの各点のセマンティッククラスを予測する。 LiDAR測定を処理するための強力で効率的な方法は、2次元の画像のような投影を使うことである。 メモリの制約だけでなく、パフォーマンスの向上やランタイムの改善など、さまざまなテクニックを実証する。
  論文  参考訳（メタデータ） (2020-04-06T11:08:12Z)

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。