論文の概要: A Priori Generalizability Estimate for a CNN

• arxiv url: http://arxiv.org/abs/2502.17622v1
• Date: Mon, 24 Feb 2025 20:15:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-26 15:18:54.082604
• Title: A Priori Generalizability Estimate for a CNN
• Title（参考訳）: CNNにおける優先的一般化可能性の推定
• Authors: Cito Balsells, Beatrice Riviere, David Fuentes,
• Abstract要約: 計算された左特異ベクトルと右特異ベクトルは、畳み込みニューラルネットワークがどの画像に悪影響を及ぼすかを特定するのに有用であることを示す。 正しい投影率(Right Projection Ratio)は、モデルがサンプル上でうまく機能する確率を推定するのに有用な指標である。
• 参考スコア（独自算出の注目度）: 0.8192907805418583
• License:
• Abstract: We formulate truncated singular value decompositions of entire convolutional neural networks. We demonstrate the computed left and right singular vectors are useful in identifying which images the convolutional neural network is likely to perform poorly on. To create this diagnostic tool, we define two metrics: the Right Projection Ratio and the Left Projection Ratio. The Right (Left) Projection Ratio evaluates the fidelity of the projection of an image (label) onto the computed right (left) singular vectors. We observe that both ratios are able to identify the presence of class imbalance for an image classification problem. Additionally, the Right Projection Ratio, which only requires unlabeled data, is found to be correlated to the model's performance when applied to image segmentation. This suggests the Right Projection Ratio could be a useful metric to estimate how likely the model is to perform well on a sample.
• Abstract（参考訳）: 畳み込みニューラルネットワーク全体の特異値分解を定式化する。 計算された左特異ベクトルと右特異ベクトルは、畳み込みニューラルネットワークがどの画像に悪影響を及ぼすかを特定するのに有用であることを示す。 この診断ツールを作成するために、右投射比と左投射比の2つの指標を定義します。 右(左)射影比は、計算された右(左)特異ベクトルへの画像(ラベル)の投影の忠実度を評価する。 画像分類問題に対するクラス不均衡の有無を両比で識別できることが観察された。 さらに、ラベルのないデータのみを必要とする右射影比は、画像セグメンテーションに適用した場合のモデルの性能と相関することがわかった。 これは、Right Projection Ratioが、モデルがサンプル上でうまく機能する確率を見積もるのに有用な指標になり得ることを示唆している。

関連論文リスト

• Critic Loss for Image Classification [0.6437284704257459]
  CrtClは、ジェネレータ批判フレームワークにおける画像分類トレーニングを定式化する。 CrtClは、クロスエントロピー損失による負の副作用を軽減し、精度の学習損失法である。 低ラベルデータ構造におけるCrtClの有効性を,アクティブラーニングの文脈で検討した。
  論文  参考訳（メタデータ） (2024-09-23T21:41:33Z)
• Learning Partial Correlation based Deep Visual Representation for Image Classification [61.0532370259644]
  CNNの新たな構造層としてスパース逆共分散推定(SICE)を定式化する。 本研究は,部分的相関に基づく深部視覚表現を求め,小さなサンプル問題を緩和する。 実験により,本モデルの有効性と優れた分類性能が示された。
  論文  参考訳（メタデータ） (2023-04-23T10:09:01Z)
• A Test Statistic Estimation-based Approach for Establishing Self-interpretable CNN-based Binary Classifiers [7.424003880270276]
  ポストホック解釈可能性法は、可算だが異なる解釈を生成できるという限界がある。 提案手法は自己解釈可能で定量的であり,従来のポストホック・インタプリタビリティ法とは異なり,自己解釈可能で定量的である。
  論文  参考訳（メタデータ） (2023-03-13T05:51:35Z)
• Large-Margin Representation Learning for Texture Classification [67.94823375350433]
  本稿では,テクスチャ分類のための小さなデータセット上で教師付きモデルをトレーニングするために,畳み込み層(CL)と大規模計量学習を組み合わせた新しいアプローチを提案する。 テクスチャと病理画像データセットの実験結果から,提案手法は同等のCNNと比較して計算コストが低く,収束が早く,競争精度が向上することが示された。
  論文  参考訳（メタデータ） (2022-06-17T04:07:45Z)
• Analysis of convolutional neural network image classifiers in a rotationally symmetric model [4.56877715768796]
  最適誤分類リスクに対する推定の誤分類リスクの収束率を分析する。 畳み込みニューラルネットワークに基づく最小二乗プラグイン分類器は、二元画像分類における次元性の呪いを回避できることが示されている。
  論文  参考訳（メタデータ） (2022-05-11T13:43:13Z)
• Fair Interpretable Representation Learning with Correction Vectors [60.0806628713968]
  我々は「補正ベクトル」の学習を中心にした公正表現学習のための新しい枠組みを提案する。 このような方法で制約されたいくつかの公正表現学習モデルが、ランキングや分類性能の損失を示さないことを実験的に示す。
  論文  参考訳（メタデータ） (2022-02-07T11:19:23Z)
• Image Quality Assessment using Contrastive Learning [50.265638572116984]
  我々は、補助的な問題を解決するために、対照的な対の目的を用いて深層畳み込みニューラルネットワーク(CNN)を訓練する。 本研究では,最新のNR画像品質モデルと比較して,ContriQUEが競争性能を向上することを示す。 以上の結果から,大きなラベル付き主観的画像品質データセットを必要とせずに,知覚的関連性を持つ強力な品質表現が得られることが示唆された。
  論文  参考訳（メタデータ） (2021-10-25T21:01:00Z)
• A Lightweight Neural Network for Monocular View Generation with Occlusion Handling [46.74874316127603]
  1枚の画像からビュー合成を行うステレオデータペアに基づいて訓練された,非常に軽量なニューラルネットワークアーキテクチャを提案する。 この作業は、挑戦的なKITTIデータセットにおいて、視覚的および計量的に最先端のアプローチよりも優れています。
  論文  参考訳（メタデータ） (2020-07-24T15:29:01Z)
• Self-Calibration Supported Robust Projective Structure-from-Motion [80.15392629310507]
  本稿では,自己校正制約によってマッチングプロセスが支持される統合されたStructure-from-Motion (SfM)法を提案する。 これらの制約を利用して,ロバストなマルチビューマッチングと正確なカメラキャリブレーションを示す実験結果を示す。
  論文  参考訳（メタデータ） (2020-07-04T08:47:10Z)

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。