Fugu-MT 論文翻訳(概要): Dense Cross-Connected Ensemble Convolutional Neural Networks for Enhanced Model Robustness

論文の概要: Dense Cross-Connected Ensemble Convolutional Neural Networks for Enhanced Model Robustness

arxiv url: http://arxiv.org/abs/2412.07022v1
Date: Mon, 09 Dec 2024 22:09:13 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-11 14:39:01.146386
Title: Dense Cross-Connected Ensemble Convolutional Neural Networks for Enhanced Model Robustness
Title（参考訳）: モデルロバスト性向上のための高密度クロスコネクテッドアンサンブル畳み込みニューラルネットワーク
Authors: Longwei Wang, Xueqian Li, Zheng Zhang,
Abstract要約: 我々はDense Cross-Connected Ensemble Convolutional Neural Network (DCC-ECNN)を提案する。このアーキテクチャは、DenseNetの密結合原理とアンサンブル学習戦略を統合する。
参考スコア（独自算出の注目度）: 10.567152857014621
License:
Abstract: The resilience of convolutional neural networks against input variations and adversarial attacks remains a significant challenge in image recognition tasks. Motivated by the need for more robust and reliable image recognition systems, we propose the Dense Cross-Connected Ensemble Convolutional Neural Network (DCC-ECNN). This novel architecture integrates the dense connectivity principle of DenseNet with the ensemble learning strategy, incorporating intermediate cross-connections between different DenseNet paths to facilitate extensive feature sharing and integration. The DCC-ECNN architecture leverages DenseNet's efficient parameter usage and depth while benefiting from the robustness of ensemble learning, ensuring a richer and more resilient feature representation.
Abstract（参考訳）: 畳み込みニューラルネットワークの入力変動や敵攻撃に対するレジリエンスは、画像認識タスクにおいて重要な課題である。より堅牢で信頼性の高い画像認識システムの必要性から,Dense Cross-Connected Ensemble Convolutional Neural Network (DCC-ECNN)を提案する。このアーキテクチャは、DenseNetの密接な接続原理とアンサンブル学習戦略を統合し、異なるDenseNetパス間の中間接続を組み込むことにより、広範な機能共有と統合を容易にする。 DCC-ECNNアーキテクチャは、アンサンブル学習の堅牢性から恩恵を受けつつ、DenseNetの効率的なパラメータ利用と深さを活用し、よりリッチで回復力のある特徴表現を確実にする。

関連論文リスト

Residual Kolmogorov-Arnold Network for Enhanced Deep Learning [0.5852077003870417]
我々はKANフレームワークを残留成分として組み込んだResidual Arnoldを紹介する。視覚データにおける深部CNNの能力を高めるためのRKANの可能性を示す。
論文参考訳（メタデータ） (2024-10-07T21:12:32Z)
Adaptive Convolutional Neural Network for Image Super-resolution [43.06377001247278]
画像超解像のための適応畳み込みニューラルネットワーク(ADSRNet)を提案する。上層ネットワークは、コンテキスト情報、カーネルマッピングの健全な情報関係、浅い層と深い層の関連性を高めることができる。下位のネットワークは対称アーキテクチャを使用して、異なるレイヤの関係を強化し、より構造的な情報をマイニングする。
論文参考訳（メタデータ） (2024-02-24T03:44:06Z)
Point-aware Interaction and CNN-induced Refinement Network for RGB-D Salient Object Detection [95.84616822805664]
我々は,CNNによるトランスフォーマーアーキテクチャを導入し,ポイント・アウェア・インタラクションとCNNによるリファインメントを備えた新しいRGB-D SODネットワークを提案する。トランスフォーマーがもたらすブロック効果とディテール破壊問題を自然に軽減するために,コンテンツリファインメントとサプリメントのためのCNNRユニットを設計する。
論文参考訳（メタデータ） (2023-08-17T11:57:49Z)
KXNet: A Model-Driven Deep Neural Network for Blind Super-Resolution [57.882146858582175]
我々は、ブラインドSISRのためのモデル駆動型ディープニューラルネットワークKXNetを提案する。提案されたKXNetは、SISRタスクの根底にある固有の物理的メカニズムと完全に統合されている。合成データおよび実データを用いた実験は,提案手法の精度と汎用性を良好に証明する。
論文参考訳（メタデータ） (2022-09-21T12:22:50Z)
Deep Image Clustering with Contrastive Learning and Multi-scale Graph Convolutional Networks [58.868899595936476]
コントラスト学習とマルチスケールグラフ畳み込みネットワーク(IcicleGCN)を用いた画像クラスタリング手法を提案する。複数の画像データセットの実験は、最先端のIcicleGCNよりも優れたクラスタリング性能を示している。
論文参考訳（メタデータ） (2022-07-14T19:16:56Z)
Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
論文参考訳（メタデータ） (2021-12-06T23:45:58Z)
SIRe-Networks: Skip Connections over Interlaced Multi-Task Learning and Residual Connections for Structure Preserving Object Classification [28.02302915971059]
本稿では、オブジェクト分類タスクにおける消失勾配を低減するために、SIReを定義したインターレース型マルチタスク学習戦略を提案する。提案手法は、自動エンコーダを介して入力画像構造を保存することにより、畳み込みニューラルネットワーク(CNN)を直接改善する。提案手法を検証するため、SIRe戦略を介して単純なCNNと有名なネットワークの様々な実装を拡張し、CIFAR100データセットで広範囲にテストする。
論文参考訳（メタデータ） (2021-10-06T13:54:49Z)
RSI-Net: Two-Stream Deep Neural Network Integrating GCN and Atrous CNN for Semantic Segmentation of High-resolution Remote Sensing Images [3.468780866037609]
本稿では,リモートセンシング画像(RSI-Net)のセマンティックセグメンテーションのための2ストリームディープニューラルネットワークを提案する。実験はVayhingen、Potsdam、Gaofen RSIデータセットで実施されている。その結果,6つの最先端RSIセマンティックセグメンテーション法と比較して,総合的精度,F1スコア,カッパ係数において,RSI-Netの優れた性能を示した。
論文参考訳（メタデータ） (2021-09-19T15:57:20Z)
Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文参考訳（メタデータ） (2020-10-02T16:50:26Z)
Learning Connectivity of Neural Networks from a Topological Perspective [80.35103711638548]
本稿では,ネットワークを解析のための完全なグラフに表現するためのトポロジ的視点を提案する。接続の規模を反映したエッジに学習可能なパラメータを割り当てることにより、学習プロセスを異なる方法で行うことができる。この学習プロセスは既存のネットワークと互換性があり、より大きな検索空間と異なるタスクへの適応性を持っている。
論文参考訳（メタデータ） (2020-08-19T04:53:31Z)

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。