論文の概要: Multi-Scale Tensorial Summation and Dimensional Reduction Guided Neural Network for Edge Detection

• arxiv url: http://arxiv.org/abs/2504.15770v1
• Date: Tue, 22 Apr 2025 10:28:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-30 21:00:37.190896
• Title: Multi-Scale Tensorial Summation and Dimensional Reduction Guided Neural Network for Edge Detection
• Title（参考訳）: エッジ検出のためのマルチスケールテンソルサミュレーションと次元還元型ニューラルネットワーク
• Authors: Lei Xu, Mehmet Yamac, Mete Ahishali, Moncef Gabbouj,
• Abstract要約: ニューラルネットワークでは、エッジ検出タスクは良好な性能を得るためにかなり大きな受容野を必要とする。 エッジ検出タスクのための新しいMTS-DRモジュール誘導ニューラルネットワーク MTS-DR-Netを提案する。
• 参考スコア（独自算出の注目度）: 19.17841677252426
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Edge detection has attracted considerable attention thanks to its exceptional ability to enhance performance in downstream computer vision tasks. In recent years, various deep learning methods have been explored for edge detection tasks resulting in a significant performance improvement compared to conventional computer vision algorithms. In neural networks, edge detection tasks require considerably large receptive fields to provide satisfactory performance. In a typical convolutional operation, such a large receptive field can be achieved by utilizing a significant number of consecutive layers, which yields deep network structures. Recently, a Multi-scale Tensorial Summation (MTS) factorization operator was presented, which can achieve very large receptive fields even from the initial layers. In this paper, we propose a novel MTS Dimensional Reduction (MTS-DR) module guided neural network, MTS-DR-Net, for the edge detection task. The MTS-DR-Net uses MTS layers, and corresponding MTS-DR blocks as a new backbone to remove redundant information initially. Such a dimensional reduction module enables the neural network to focus specifically on relevant information (i.e., necessary subspaces). Finally, a weight U-shaped refinement module follows MTS-DR blocks in the MTS-DR-Net. We conducted extensive experiments on two benchmark edge detection datasets: BSDS500 and BIPEDv2 to verify the effectiveness of our model. The implementation of the proposed MTS-DR-Net can be found at https://github.com/LeiXuAI/MTS-DR-Net.git.
• Abstract（参考訳）: エッジ検出は、下流コンピュータビジョンタスクのパフォーマンスを高めるという異常な能力のおかげで、かなりの注目を集めている。 近年,エッジ検出タスクに対して様々な深層学習手法が検討されており,従来のコンピュータビジョンアルゴリズムに比べて性能が大幅に向上している。 ニューラルネットワークでは、エッジ検出タスクは良好な性能を得るためにかなり大きな受容野を必要とする。 典型的な畳み込み演算では、そのような大きな受容場は、かなりの数の連続した層を利用して達成され、深いネットワーク構造が得られる。 近年,Multi-scale Tensorial Summation (MTS) Factorization operator が提案され,初期層からでも非常に大きな受容場を実現することができる。 本稿では,エッジ検出タスクのための新しいMTS-DRモジュール,MTS-DR-Netを提案する。 MTS-DR-Netは、MTS層と対応するMTS-DRブロックを新しいバックボーンとして使用し、当初は冗長な情報を削除していた。 このような次元還元モジュールは、ニューラルネットワークが特に関連する情報(すなわち必要な部分空間)に焦点を合わせることを可能にする。 最後に、重み付きU字型精製モジュールは、MTS-DR-NetのTS-DRブロックに従う。 ベンチマークエッジ検出データセットであるBSDS500とBIPEDv2について広範囲に実験を行い,本モデルの有効性を検証した。 MTS-DR-Netの実装はhttps://github.com/LeiXuAI/MTS-DR-Net.gitで見ることができる。

関連論文リスト

• Multiscale Tensor Summation Factorization as a New Neural Network Layer (MTS Layer) for Multidimensional Data Processing [18.557169937152967]
  Multiscale Summation (MTS) Factorizationは、テンソル和を複数スケールで実装した新しいニューラルネットワーク演算子である。 MTSは、重量最適化の効率を高めながら必要となるパラメータ数を減少させるだけでなく、畳み込み層よりも明確な利点を示す。 対応するニューラルネットワークであるMTSNetは、さまざまなコンピュータビジョンアプリケーションにおける最先端のトランスフォーマーと比較して、より好ましい複雑性とパフォーマンスのトレードオフを示す。
  論文  参考訳（メタデータ） (2025-04-17T22:19:59Z)
• Exploring Neural Network Pruning with Screening Methods [3.443622476405787]
  現代のディープラーニングモデルは数千万のパラメータを持ち、推論プロセスはリソース集約化されている。 本稿では,非必須パラメータを除去するネットワーク・プルーニング・フレームワークの提案と評価を行う。 提案するフレームワークは,従来のネットワークと比較して,競争力のあるリーンネットワークを生成する。
  論文  参考訳（メタデータ） (2025-02-11T02:31:04Z)
• Neuromorphic Wireless Split Computing with Multi-Level Spikes [69.73249913506042]
  ニューロモルフィックコンピューティングは、スパイキングニューラルネットワーク(SNN)を使用して推論タスクを実行する。 スパイクニューロン間で交換される各スパイクに小さなペイロードを埋め込むことで、エネルギー消費を増大させることなく推論精度を高めることができる。 分割コンピューティング — SNNを2つのデバイスに分割する — は、有望なソリューションだ。 本稿では,マルチレベルSNNを用いたニューロモルフィック無線分割コンピューティングアーキテクチャの総合的研究について述べる。
  論文  参考訳（メタデータ） (2024-11-07T14:08:35Z)
• Renormalized Connection for Scale-preferred Object Detection in Satellite Imagery [51.83786195178233]
  我々は、効率的な特徴抽出の観点から再正規化群理論を実装するために、知識発見ネットワーク(KDN)を設計する。 KDN上の再正規化接続(RC)は、マルチスケール特徴の「相乗的焦点」を可能にする。 RCはFPNベースの検出器のマルチレベル特徴の分割・対数機構を幅広いスケールで予測されたタスクに拡張する。
  論文  参考訳（メタデータ） (2024-09-09T13:56:22Z)
• Parallel Multi-Scale Networks with Deep Supervision for Hand Keypoint Detection [3.1781111932870716]
  マルチスケールディープスーパービジョンネットワーク(P-MSDSNet)という新しいCNNモデルを提案する。 P-MSDSNetは、層から層への適応的な特徴伝達のための注意マップを作成するために、深い監督の下で異なるスケールで特徴マップを学習する。 P-MSDSNetは,パラメータの少ないベンチマークデータセットにおいて,最先端の手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2021-12-19T22:38:16Z)
• CSI Feedback with Model-Driven Deep Learning of Massive MIMO Systems [0.0]
  モデル駆動深層学習に基づく2段階低ランクCSIフィードバック方式を提案する。 さらに、より効率的なCSIフィードバックを実現するために、高速反復収縮しきい値アルゴリズム(FISTA)を展開させることにより、FISTA-Netというディープ反復ニューラルネットワークを設計する。
  論文  参考訳（メタデータ） (2021-12-13T03:50:43Z)
• Semi-supervised Network Embedding with Differentiable Deep Quantisation [81.49184987430333]
  我々はネットワーク埋め込みのための微分可能な量子化法であるd-SNEQを開発した。 d-SNEQは、学習された量子化符号にリッチな高次情報を与えるためにランク損失を組み込む。 トレーニング済みの埋め込みのサイズを大幅に圧縮できるため、ストレージのフットプリントが減少し、検索速度が向上する。
  論文  参考訳（メタデータ） (2021-08-20T11:53:05Z)
• Learning Frequency-aware Dynamic Network for Efficient Super-Resolution [56.98668484450857]
  本稿では、離散コサイン変換(dct)領域の係数に応じて入力を複数の部分に分割する新しい周波数認識動的ネットワークについて検討する。 実際、高周波部は高価な操作で処理され、低周波部は計算負荷を軽減するために安価な操作が割り当てられる。 ベンチマークSISRモデルおよびデータセット上での実験は、周波数認識動的ネットワークが様々なSISRニューラルネットワークに使用できることを示している。
  論文  参考訳（メタデータ） (2021-03-15T12:54:26Z)
• Edge-Detect: Edge-centric Network Intrusion Detection using Deep Neural Network [0.0]
  エッジノードは、Internet-of-Thingsエンドポイント上の複数のサイバー攻撃を検出するために不可欠である。 DLM技術を用いてエッジノードに対するDoS攻撃を検知する,軽量で高速かつ高精度なEdge-Detectモデルを開発した。
  論文  参考訳（メタデータ） (2021-02-03T04:24:34Z)
• Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution [79.97180849505294]
  本稿では,HSIの空間分解能を高めるために,CUCaNetというクロスアテンション機構を備えた新しい結合型アンミックスネットワークを提案する。 3つの広く使われているHS-MSデータセットに対して、最先端のHSI-SRモデルと比較実験を行った。
  論文  参考訳（メタデータ） (2020-07-10T08:08:20Z)
• Object Tracking through Residual and Dense LSTMs [67.98948222599849]
  LSTM(Long Short-Term Memory)リカレントニューラルネットワークに基づくディープラーニングベースのトラッカーが、強力な代替手段として登場した。 DenseLSTMはResidualおよびRegular LSTMより優れ、ニュアンセに対する高いレジリエンスを提供する。 ケーススタディは、他のトラッカーの堅牢性を高めるために残差ベースRNNの採用を支援する。
  論文  参考訳（メタデータ） (2020-06-22T08:20:17Z)

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。