論文の概要: Stochastic Resonance Improves the Detection of Low Contrast Images in Deep Learning Models

• arxiv url: http://arxiv.org/abs/2502.14442v1
• Date: Thu, 20 Feb 2025 10:48:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-21 22:18:11.623784
• Title: Stochastic Resonance Improves the Detection of Low Contrast Images in Deep Learning Models
• Title（参考訳）: 確率共振によるディープラーニングモデルにおける低コントラスト画像の検出の改善
• Authors: Siegfried Ludwig,
• Abstract要約: 共鳴は、ある種のシステムにおける弱い信号の検出性を改善するためのノイズの有用性を記述している。 自然や工学的な設定で広く観察されているが、速度に基づくニューラルネットワークを用いた画像分類におけるその有用性は広く研究されていない。 その結果、周波数に基づくリカレントニューラルネットワークにおける共鳴の存在が示唆された。
• 参考スコア（独自算出の注目度）: 0.19778256093887275
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Stochastic resonance describes the utility of noise in improving the detectability of weak signals in certain types of systems. It has been observed widely in natural and engineered settings, but its utility in image classification with rate-based neural networks has not been studied extensively. In this analysis a simple LSTM recurrent neural network is trained for digit recognition and classification. During the test phase, image contrast is reduced to a point where the model fails to recognize the presence of a stimulus. Controlled noise is added to partially recover classification performance. The results indicate the presence of stochastic resonance in rate-based recurrent neural networks.
• Abstract（参考訳）: 確率共鳴(Stochastic resonance)は、ある種のシステムにおける弱い信号の検出性を改善するためのノイズの有用性を記述している。 自然や工学的な設定で広く観察されているが、速度に基づくニューラルネットワークを用いた画像分類におけるその有用性は広く研究されていない。 この分析では、単純なLSTMリカレントニューラルネットワークを、数値認識と分類のために訓練する。 テストフェーズの間、画像コントラストは、モデルが刺激の存在を認識できない点に縮小される。 部分的に分類性能を回復するために制御ノイズを付加する。 その結果, 確率共振が, 周波数ベースリカレントニューラルネットワークに存在することが示唆された。

関連論文リスト

• SING: Semantic Image Communications using Null-Space and INN-Guided Diffusion Models [52.40011613324083]
  近年, 無線画像伝送において, 共用音源チャネル符号化システム (DeepJSCC) が顕著な性能を発揮している。 既存の手法では、送信された画像とレシーバーの再構成されたバージョンとの間の歪みを最小限に抑えることに重点を置いており、しばしば知覚的品質を見落としている。 逆問題として,破損した再構成画像から高品質な画像の復元を定式化する新しいフレームワークであるSINGを提案する。
  論文  参考訳（メタデータ） (2025-03-16T12:32:11Z)
• A Tunable Despeckling Neural Network Stabilized via Diffusion Equation [15.996302571895045]
  ニューラルネットワークの実際のデータへの適応性を判断するための基準として、Adrialversa攻撃を用いることができる。 本稿では,ニューラルネットワークブロックと拡散正則性ブロックを1つのネットワークにアンロールしてエンドツーエンドのトレーニングを行う,チューニング可能な正規化ニューラルネットワークフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-24T17:08:43Z)
• A Unified Model for Compressed Sensing MRI Across Undersampling Patterns [69.19631302047569]
  ディープニューラルネットワークは、アンダーサンプル計測から高忠実度画像を再構成する大きな可能性を示している。 我々のモデルは、離散化に依存しないアーキテクチャであるニューラル演算子に基づいている。 我々の推論速度は拡散法よりも1,400倍速い。
  論文  参考訳（メタデータ） (2024-10-05T20:03:57Z)
• Tuning the Frequencies: Robust Training for Sinusoidal Neural Networks [1.5124439914522694]
  正弦波ネットワークの容量特性を説明する理論的枠組みを導入する。 入力周波数の整数結合として表される多数の新しい周波数を,その層組成によってどのように生成するかを示す。 提案手法はTUNERと呼ばれ, 正弦波INRトレーニングの安定性と収束性を大幅に改善し, より詳細な再建を行った。
  論文  参考訳（メタデータ） (2024-07-30T18:24:46Z)
• Learning Low-Rank Feature for Thorax Disease Classification [7.447448767095787]
  本稿では胸部疾患分類について検討する。 疾患領域の特徴の効果的な抽出は, 放射線画像上の疾患分類に不可欠である。 本稿では,Low-Rank Feature Learning (LRFL)法を提案する。
  論文  参考訳（メタデータ） (2024-02-14T15:35:56Z)
• How neural networks learn to classify chaotic time series [77.34726150561087]
  本研究では,通常の逆カオス時系列を分類するために訓練されたニューラルネットワークの内部動作について検討する。 入力周期性とアクティベーション周期の関係は,LKCNNモデルの性能向上の鍵となる。
  論文  参考訳（メタデータ） (2023-06-04T08:53:27Z)
• A Scalable Walsh-Hadamard Regularizer to Overcome the Low-degree Spectral Bias of Neural Networks [79.28094304325116]
  任意の関数を学習するニューラルネットワークの能力にもかかわらず、勾配降下によって訓練されたモデルは、しばしばより単純な関数に対するバイアスを示す。 我々は、この低度周波数に対するスペクトルバイアスが、現実のデータセットにおけるニューラルネットワークの一般化を実際にいかに損なうかを示す。 本稿では,ニューラルネットワークによる高次周波数学習を支援する,スケーラブルな機能正規化手法を提案する。
  論文  参考訳（メタデータ） (2023-05-16T20:06:01Z)
• Application of attention-based Siamese composite neural network in medical image recognition [6.370635116365471]
  本研究は,注目とシームズニューラルネットワークに基づく認識モデルを構築した。 アテンションに基づくニューラルネットワークは、分類効果を改善するためにメインネットワークとして使用される。 その結果、画像サンプルの数が少ないほど、利点が明らかになることがわかった。
  論文  参考訳（メタデータ） (2023-04-19T16:09:59Z)
• WIRE: Wavelet Implicit Neural Representations [42.147899723673596]
  Inlicit Neural representations (INRs) は近年多くの視覚関連領域を進歩させている。 現在のINRは高い精度で設計されているが、ロバスト性も劣っている。 我々は、このトレードオフを示さない新しい、非常に正確で堅牢なINRを開発します。
  論文  参考訳（メタデータ） (2023-01-05T20:24:56Z)
• Neural Clamping: Joint Input Perturbation and Temperature Scaling for Neural Network Calibration [62.4971588282174]
  我々はニューラルクランプ法と呼ばれる新しい後処理キャリブレーション法を提案する。 実験の結果,Neural Clampingは最先端の処理後のキャリブレーション法よりも優れていた。
  論文  参考訳（メタデータ） (2022-09-23T14:18:39Z)
• Salvage Reusable Samples from Noisy Data for Robust Learning [70.48919625304]
  本稿では,Web画像を用いた深部FGモデルのトレーニングにおいて,ラベルノイズに対処するための再利用可能なサンプル選択と修正手法を提案する。 私たちのキーとなるアイデアは、再利用可能なサンプルの追加と修正を行い、それらをクリーンな例とともに活用してネットワークを更新することです。
  論文  参考訳（メタデータ） (2020-08-06T02:07:21Z)
• Compressive sensing with un-trained neural networks: Gradient descent finds the smoothest approximation [60.80172153614544]
  訓練されていない畳み込みニューラルネットワークは、画像の回復と復元に非常に成功したツールとして登場した。 トレーニングされていない畳み込みニューラルネットワークは、ほぼ最小限のランダムな測定値から、十分に構造化された信号や画像を概ね再構成可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-07T15:57:25Z)

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。