Fugu-MT 論文翻訳(概要): Rethinking Encoder-Decoder Flow Through Shared Structures

論文の概要: Rethinking Encoder-Decoder Flow Through Shared Structures

arxiv url: http://arxiv.org/abs/2501.14535v1
Date: Fri, 24 Jan 2025 14:41:30 GMT
ステータス: 翻訳完了
システム内更新日: 2025-01-27 14:57:42.506074
Title: Rethinking Encoder-Decoder Flow Through Shared Structures
Title（参考訳）: 共有構造におけるエンコーダ・デコーダの流れの再考
Authors: Frederik Laboyrie, Mehmet Kerim Yucel, Albert Saa-Garriga,
Abstract要約: 復号化プロセスにおいて,各復号化ブロックが使用するバンク,共有構造を導入し,追加のコンテキストを提供する。これらの構造は、再サンプリングや特徴融合を通じて適用することにより、自然および合成画像上の最先端のトランスフォーマーベースアーキテクチャの深さ推定性能を向上させる。
参考スコア（独自算出の注目度）: 1.8843687952462742
License:
Abstract: Dense prediction tasks have enjoyed a growing complexity of encoder architectures, decoders, however, have remained largely the same. They rely on individual blocks decoding intermediate feature maps sequentially. We introduce banks, shared structures that are used by each decoding block to provide additional context in the decoding process. These structures, through applying them via resampling and feature fusion, improve performance on depth estimation for state-of-the-art transformer-based architectures on natural and synthetic images whilst training on large-scale datasets.
Abstract（参考訳）: 複雑な予測タスクはエンコーダアーキテクチャの複雑さが増してきているが、デコーダはほとんど変わっていない。個々のブロックに依存して、中間特徴写像を逐次復号する。復号化プロセスにおいて,各復号化ブロックが使用するバンク,共有構造を導入し,追加のコンテキストを提供する。これらの構造は、再サンプリングや特徴融合を通じて適用することで、大規模データセットのトレーニング中に、自然および合成画像上の最先端のトランスフォーマーベースのアーキテクチャの深さ推定性能を向上させる。

関連論文リスト

Classification and Reconstruction Processes in Deep Predictive Coding Networks: Antagonists or Allies? [0.0]
ビジュアルコンピューティングのための予測符号化にインスパイアされたディープネットワークは、共有中間層における分類と再構成プロセスを統合する。ディープラーニングアーキテクチャにおけるインタラクションの分類と再構築について、批判的な考察をしている。分類駆動情報は中間層の共有表現における再構成駆動情報を減少させる。
論文参考訳（メタデータ） (2024-01-17T14:34:32Z)
Dual-Stream Knowledge-Preserving Hashing for Unsupervised Video Retrieval [67.52910255064762]
時間層とハッシュ層を含む単純な二重ストリーム構造を設計する。まず、時間層とハッシュ層を含む単純な二重ストリーム構造を設計する。自己スーパービジョンから得られたセマンティック類似性知識の助けを借りて、ハッシュ層はセマンティック検索のための情報を取得することを学習する。このようにして、モデルは自然に二進的なコードに絡み合ったセマンティクスを保存します。
論文参考訳（メタデータ） (2023-10-12T03:21:12Z)
More complex encoder is not all you need [0.882348769487259]
我々は,強力なデコーダを構築するために,新しいサブピクセル・コンボリューションを組み込んだneU-Net(複雑なエンコーダではないU-Net)を導入する。我々のモデル設計は、SynapseとACDCの両方のデータセット上で、最先端の手法を上回る優れた結果が得られる。
論文参考訳（メタデータ） (2023-09-20T08:34:38Z)
Towards Diverse Binary Segmentation via A Simple yet General Gated Network [71.19503376629083]
本稿では,バイナリセグメンテーションタスクに対処するシンプルな汎用ネットワーク(GateNet)を提案する。多段ゲートユニットの助けを借りて、エンコーダからの貴重なコンテキスト情報をデコーダに選択的に送信することができる。我々は,アトーラスの畳み込みを改善し,新規な折り畳み畳み畳み畳み畳み込みを形成する「Fold」操作を導入した。
論文参考訳（メタデータ） (2023-03-18T11:26:36Z)
SoftPool++: An Encoder-Decoder Network for Point Cloud Completion [93.54286830844134]
本稿では,ポイントクラウド完了作業のための新しい畳み込み演算子を提案する。提案した演算子は、最大プールやボキセル化操作を一切必要としない。提案手法は,低解像度・高解像度の形状仕上げにおける最先端性能を実現する。
論文参考訳（メタデータ） (2022-05-08T15:31:36Z)
Transformer Meets DCFAM: A Novel Semantic Segmentation Scheme for Fine-Resolution Remote Sensing Images [6.171417925832851]
Swin Transformerをバックボーンとして導入し、コンテキスト情報を完全に抽出します。また、高密度接続特徴集合モジュール(DCFAM)と呼ばれる新しいデコーダを設計し、解像度を復元し、セグメンテーションマップを生成する。
論文参考訳（メタデータ） (2021-04-25T11:34:22Z)
Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers [149.78470371525754]
セマンティックセグメンテーションをシーケンスからシーケンスへの予測タスクとして扱う。具体的には、イメージをパッチのシーケンスとしてエンコードするために純粋なトランスをデプロイします。トランスのすべての層でモデル化されたグローバルコンテキストにより、このエンコーダは、SETR(SEgmentation TRansformer)と呼ばれる強力なセグメンテーションモデルを提供するための単純なデコーダと組み合わせることができる。 SETRはADE20K(50.28% mIoU)、Pascal Context(55.83% mIoU)、およびCityscapesの競争力のある結果に関する最新技術を達成している。
論文参考訳（メタデータ） (2020-12-31T18:55:57Z)
Conceptual Compression via Deep Structure and Texture Synthesis [42.68994438290913]
本稿では,視覚データをコンパクトな構造とテクスチャ表現にエンコードし,深層合成方式でデコードする,新しい概念圧縮フレームワークを提案する。特に,2つの相補的な視覚特徴からなる二重層モデルを用いて画像の圧縮を提案する。エンコーダ側では、構造地図とテクスチャ表現を個別に抽出して圧縮し、コンパクトで解釈可能な、相互運用可能なビットストリームを生成する。復号段階では, 階層的融合GAN (HF-GAN) が提案され, テクスチャがデコードされた構造写像に描画される合成パラダイムを学習し, 高品質な再構成を実現する。
論文参考訳（メタデータ） (2020-11-10T08:48:32Z)
Beyond Single Stage Encoder-Decoder Networks: Deep Decoders for Semantic Image Segmentation [56.44853893149365]
セマンティックセグメンテーションのための単一エンコーダ-デコーダ手法は、セマンティックセグメンテーションの品質とレイヤー数あたりの効率の観点からピークに達している。そこで本研究では,より多くの情報コンテンツを取得するために,浅層ネットワークの集合を用いたデコーダに基づく新しいアーキテクチャを提案する。アーキテクチャをさらに改善するために,ネットワークの注目度を高めるために,クラスの再バランスを目的とした重み関数を導入する。
論文参考訳（メタデータ） (2020-07-19T18:44:34Z)
Rethinking and Improving Natural Language Generation with Layer-Wise Multi-View Decoding [59.48857453699463]
シーケンシャル・ツー・シーケンス学習では、デコーダは注意機構に依存してエンコーダから情報を効率的に抽出する。近年の研究では、異なるエンコーダ層からの表現を多様なレベルの情報に利用することが提案されている。本稿では, 各デコーダ層に対して, グローバルビューとして機能する最後のエンコーダ層からの表現とともに, ソースシーケンスの立体視のために他のエンコーダ層からのデコーダ層からのデコーダ層を補足するレイヤワイド・マルチビューデコーダを提案する。
論文参考訳（メタデータ） (2020-05-16T20:00:39Z)

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。