Fugu-MT 論文翻訳(概要): Image Classification Using Singular Value Decomposition and Optimization

論文の概要: Image Classification Using Singular Value Decomposition and Optimization

arxiv url: http://arxiv.org/abs/2412.07288v1
Date: Tue, 10 Dec 2024 08:17:13 GMT
ステータス: 翻訳完了
システム内更新日: 2024-12-11 14:35:30.828769
Title: Image Classification Using Singular Value Decomposition and Optimization
Title（参考訳）: 特異値分解と最適化を用いた画像分類
Authors: Isabela M. Yepes, Manasvi Goyal,
Abstract要約: 提案手法はランク10のフロベニウスノルムを用いて69%の精度を達成している。この精度は、より堅牢な分類には追加の特徴や方法が必要であることを示唆している。
参考スコア（独自算出の注目度）: 0.0
License:
Abstract: This study investigates the applicability of Singular Value Decomposition for the image classification of specific breeds of cats and dogs using fur color as the primary identifying feature. Sequential Quadratic Programming (SQP) is employed to construct optimally weighted templates. The proposed method achieves 69% accuracy using the Frobenius norm at rank 10. The results partially validate the assumption that dominant features, such as fur color, can be effectively captured through low-rank approximations. However, the accuracy suggests that additional features or methods may be required for more robust classification, highlighting the trade-off between simplicity and performance in resource-constrained environments.
Abstract（参考訳）: 本研究は, 毛色を主成分として, ネコおよびイヌの種別画像分類における特異値分解の適用性について検討した。 SQP(Sequential Quadratic Programming)は、最適な重み付けテンプレートを構築するために用いられる。提案手法はランク10のフロベニウスノルムを用いて69%の精度を達成している。その結果、毛皮の色のような支配的な特徴は、低ランク近似によって効果的に捉えることができるという仮定を部分的に検証した。しかし、この精度は、リソース制約のある環境での単純さとパフォーマンスのトレードオフを強調するために、より堅牢な分類のために追加の機能やメソッドが必要であることを示唆している。

関連論文リスト

Adaptive Step Sizes for Preconditioned Stochastic Gradient Descent [0.3831327965422187]
本稿では,勾配降下(SGD)における適応ステップサイズに対する新しいアプローチを提案する。我々は、勾配に対するリプシッツ定数と探索方向の局所的分散の概念という、数値的にトレース可能な量を用いる。
論文参考訳（メタデータ） (2023-11-28T17:03:56Z)
High Probability Analysis for Non-Convex Stochastic Optimization with Clipping [13.025261730510847]
勾配クリッピングは重み付きニューラルネットワークを扱う技術である。ほとんどの理論上の保証は、予測外解析のみを提供し、性能のみを提供する。我々の分析は、勾配クリッピングによる最適化アルゴリズムの理論的保証について、比較的完全な図を提供している。
論文参考訳（メタデータ） (2023-07-25T17:36:56Z)
Benchmarking state-of-the-art gradient boosting algorithms for classification [0.0]
この研究は、分類の文脈における勾配増強の利用について考察する。オリジナルのGBMアルゴリズムや選択された最先端の勾配向上フレームワークを含む4つの一般的な実装を比較した。有効性、信頼性、使いやすさの適切なバランスを示す勾配促進変種を示す試みが行われた。
論文参考訳（メタデータ） (2023-05-26T17:06:15Z)
Variational Classification [51.2541371924591]
我々は,変分オートエンコーダの訓練に用いるエビデンスローバウンド(ELBO)に類似した,モデルの訓練を目的とした変分目的を導出する。軟質マックス層への入力を潜伏変数のサンプルとして扱うことで, 抽象化された視点から, 潜在的な矛盾が明らかとなった。我々は、標準ソフトマックス層に見られる暗黙の仮定の代わりに、選択された潜在分布を誘導する。
論文参考訳（メタデータ） (2023-05-17T17:47:19Z)
End-to-end cell recognition by point annotation [5.130998755172569]
本稿では,事前設定されたアンカーポイントに対して,直接回帰と分類を適用するエンドツーエンドフレームワークを提案する。具体的には,低レベル特徴と高レベル意味論を同時に組み合わせたピラミッド型特徴集合戦略を提案する。さらに,基本事実と予測点とを一致させて,マルチタスク学習フレームワークを適応させる最適化コスト関数を設計した。
論文参考訳（メタデータ） (2022-07-01T02:44:58Z)
EXACT: How to Train Your Accuracy [6.144680854063938]
本稿では,モデル出力にアセンシティを導入し,予測精度を最適化することで,新しい最適化フレームワークを提案する。線形モデルと深層画像分類の実験により,提案手法は広く用いられている分類損失の強力な代替手段であることが示された。
論文参考訳（メタデータ） (2022-05-19T15:13:00Z)
An Efficient and Accurate Rough Set for Feature Selection, Classification and Knowledge Representation [89.5951484413208]
本稿では, 特徴選択, 分類, 知識表現を同時に実現する, 粗集合に基づく強力なデータマイニング手法を提案する。まず, ノイズ特性の処理において, 粗集合の非効率性について検討し, 相対的重要度と呼ばれる特性のロバストな測定法を提案する。公開ベンチマークデータセットによる実験結果から,提案フレームワークは7つの人気や最先端の機能選択手法よりも精度が高いことがわかった。
論文参考訳（メタデータ） (2021-12-29T12:45:49Z)
When in Doubt: Improving Classification Performance with Alternating Normalization [57.39356691967766]
分類のための非パラメトリック後処理ステップである交互正規化(CAN)を用いた分類を導入する。 CANは、予測されたクラス確率分布を再調整することで、挑戦的な例の分類精度を向上させる。多様な分類課題にまたがってその効果を実証的に示す。
論文参考訳（メタデータ） (2021-09-28T02:55:42Z)
Scalable Marginal Likelihood Estimation for Model Selection in Deep Learning [78.83598532168256]
階層型モデル選択は、推定困難のため、ディープラーニングではほとんど使われない。本研究は,検証データが利用できない場合,限界的可能性によって一般化が向上し,有用であることを示す。
論文参考訳（メタデータ） (2021-04-11T09:50:24Z)
Zeroth-Order Hybrid Gradient Descent: Towards A Principled Black-Box Optimization Framework [100.36569795440889]
この作業は、一階情報を必要としない零次最適化(ZO)の反復である。座標重要度サンプリングにおける優雅な設計により,ZO最適化法は複雑度と関数クエリコストの両面において効率的であることを示す。
論文参考訳（メタデータ） (2020-12-21T17:29:58Z)
Uncertainty-Aware Few-Shot Image Classification [118.72423376789062]
ラベル付き限られたデータから新しいカテゴリを認識できる画像分類はほとんどない。画像分類のための不確実性を考慮したFew-Shotフレームワークを提案する。
論文参考訳（メタデータ） (2020-10-09T12:26:27Z)

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。