Fugu-MT 論文翻訳(概要): Classifying Images with CoLaNET Spiking Neural Network -- the MNIST Example

論文の概要: Classifying Images with CoLaNET Spiking Neural Network -- the MNIST Example

arxiv url: http://arxiv.org/abs/2409.07833v1
Date: Thu, 12 Sep 2024 08:29:55 GMT
ステータス: 処理完了
システム内更新日: 2024-09-13 17:18:01.283836
Title: Classifying Images with CoLaNET Spiking Neural Network -- the MNIST Example
Title（参考訳）: CoLaNETスパイクニューラルネットワークによる画像の分類 - MNISTの例
Authors: Mikhail Kiselev,
Abstract要約: 教師あり学習画像分類タスクにおいて,コラム/層状CoLaNETスパイクニューラルネットワークアーキテクチャをどのように利用できるかを示す。 CoLaNETは、最も高度な機械学習アルゴリズムと同じくらい正確であることを示す。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: In the present paper, it is shown how the columnar/layered CoLaNET spiking neural network (SNN) architecture can be used in supervised learning image classification tasks. Image pixel brightness is coded by the spike count during image presentation period. Image class label is indicated by activity of special SNN input nodes (one node per class). The CoLaNET classification accuracy is evaluated on the MNIST benchmark. It is demonstrated that CoLaNET is almost as accurate as the most advanced machine learning algorithms (not using convolutional approach).
Abstract（参考訳）: 本稿では,コラム/層状CoLaNETスパイクニューラルネットワーク(SNN)アーキテクチャを用いて,教師あり学習画像分類作業を行う方法について述べる。画像表示期間中に、スパイク数によって画素輝度を符号化する。イメージクラスラベルは、特別なSNN入力ノード(クラス毎に1ノード)のアクティビティによって示される。 CoLaNET分類精度はMNISTベンチマークで評価される。 CoLaNETは(畳み込みアプローチを使用しない)最も高度な機械学習アルゴリズムと同じくらい正確であることを示す。

関連論文リスト

Spiking Neural Network Enhanced Hand Gesture Recognition Using Low-Cost Single-photon Avalanche Diode Array [0.0]
暗黒および明るい光環境下で10種類のジェスチャーを認識するために,小型なスパイキング畳み込みニューラルネットワーク(SCNN)とスパイキング多層パーセプトロン(90P)を提案する。ハンドジェスチャ認識(HGR)システムでは,光子強度データをネットワークのトレーニングとテストに利用した。バニラ畳み込みニューラルネットワーク(CNN)も実装され、SCNNのパフォーマンスを同じネットワークトポロジとトレーニング戦略と比較した。
論文参考訳（メタデータ） (2024-02-08T06:35:06Z)
RankDNN: Learning to Rank for Few-shot Learning [70.49494297554537]
本稿では、画像検索の関連性ランキングをバイナリランキング関係分類として活用する、新しい数ショット学習パイプラインを提案する。これは、数ショットの学習に関する新しい視点を提供し、最先端の手法を補完する。
論文参考訳（メタデータ） (2022-11-28T13:59:31Z)
Signal Processing for Implicit Neural Representations [80.38097216996164]
Inlicit Neural Representation (INR)は、マルチ層パーセプトロンを介して連続したマルチメディアデータを符号化する。既存の作業は、その離散化されたインスタンスの処理を通じて、そのような連続的な表現を操作する。本稿では,INSP-Netと呼ばれる暗黙的ニューラル信号処理ネットワークを提案する。
論文参考訳（メタデータ） (2022-10-17T06:29:07Z)
Self Supervised Learning for Few Shot Hyperspectral Image Classification [57.2348804884321]
HSI分類に自己監督学習(SSL)を活用することを提案する。最先端のSSLアルゴリズムであるBarlow-Twinsを用いて,ラベルのない画素にエンコーダを事前学習することにより,少数のラベルを持つ正確なモデルが得られることを示す。
論文参考訳（メタデータ） (2022-06-24T07:21:53Z)
Weakly-supervised fire segmentation by visualizing intermediate CNN layers [82.75113406937194]
画像やビデオにおける火の局所化は、火災事故に対処するための自律システムにとって重要なステップである。我々は,ネットワークのトレーニングに画像ラベルのみを使用する,画像中の火の弱い制御セグメント化について検討する。 CNNの中間層における特徴量の平均値は,2値セグメンテーション問題である火災セグメンテーションの場合,従来のクラスアクティベーションマッピング(CAM)法よりも優れていることを示す。
論文参考訳（メタデータ） (2021-11-16T11:56:28Z)
Segmentation of Roads in Satellite Images using specially modified U-Net CNNs [0.0]
本研究の目的は,道路画像の特定を行う都市景観の衛星画像の分類器を構築することである。従来のコンピュータビジョンアルゴリズムとは異なり、畳み込みニューラルネットワーク(CNN)はこのタスクに対して正確で信頼性の高い結果を提供する。
論文参考訳（メタデータ） (2021-09-29T19:08:32Z)
External-Memory Networks for Low-Shot Learning of Targets in Forward-Looking-Sonar Imagery [8.767175335575386]
本稿では,前向きソナー(FLS)画像におけるリアルタイム・データ効率の高いターゲット分析のためのメモリベースフレームワークを提案する。我々のフレームワークは、DenseNetにインスパイアされた小さなネットワークを用いて、画像から識別不能な詳細を最初に除去することに依存している。次に,フィルタ画像から新しいニューラルRAMベースの畳み込みマッチングネットワーク NRMN をカスケードして,低ショット目標認識を行う。
論文参考訳（メタデータ） (2021-07-22T07:50:44Z)
SAR Image Classification Based on Spiking Neural Network through Spike-Time Dependent Plasticity and Gradient Descent [7.106664778883502]
スパイキングニューラルネットワーク(SNN)は、脳のような知能のコアコンポーネントの1つである。本稿では、教師なしおよび教師なし学習SNNに基づいて、完全なSAR画像を構築する。
論文参考訳（メタデータ） (2021-06-15T09:36:04Z)
Attentive Graph Neural Networks for Few-Shot Learning [74.01069516079379]
グラフニューラルネットワーク(GNN)は、数ショットの学習タスクを含む多くの困難なアプリケーションにおいて、優れたパフォーマンスを示している。少数のサンプルからモデルを学習し、一般化する能力があるにもかかわらず、GNNは通常、モデルが深くなるにつれて、過度な過度な適合と過度なスムーシングに悩まされる。本稿では,三重注意機構を組み込むことにより,これらの課題に対処するための新しい注意型GNNを提案する。
論文参考訳（メタデータ） (2020-07-14T07:43:09Z)
Graph Prototypical Networks for Few-shot Learning on Attributed Networks [72.31180045017835]
グラフメタ学習フレームワーク - Graph Prototypeal Networks (GPN) を提案する。 GPNは、属性付きネットワーク上でテキストミータ学習を行い、ターゲット分類タスクを扱うための高度に一般化可能なモデルを導出する。
論文参考訳（メタデータ） (2020-06-23T04:13:23Z)

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。