Fugu-MT 論文翻訳(概要): Enhancing CNNs robustness to occlusions with bioinspired filters for border completion

論文の概要: Enhancing CNNs robustness to occlusions with bioinspired filters for border completion

arxiv url: http://arxiv.org/abs/2504.17619v1
Date: Thu, 24 Apr 2025 14:43:55 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-02 19:15:53.413502
Title: Enhancing CNNs robustness to occlusions with bioinspired filters for border completion
Title（参考訳）: バイオインスパイアされたフィルターによるCNNのオクルージョンへの堅牢性向上
Authors: Catarina P. Coutinho, Aneeqa Merhab, Janko Petkovic, Ferdinando Zanchetta, Rita Fioresi,
Abstract要約: 我々は,境界完備化のための視覚野機構の数学的モデリングを利用して,CNNのカスタムフィルタを定義する。修正した LeNet 5 を MNIST 画像で検査すると, 性能, 特に精度が一貫した改善が見られた。
参考スコア（独自算出の注目度）: 29.004178992441336
License: http://creativecommons.org/licenses/by/4.0/
Abstract: We exploit the mathematical modeling of the visual cortex mechanism for border completion to define custom filters for CNNs. We see a consistent improvement in performance, particularly in accuracy, when our modified LeNet 5 is tested with occluded MNIST images.
Abstract（参考訳）: 我々は,境界完備化のための視覚野機構の数学的モデリングを利用して,CNNのカスタムフィルタを定義する。修正した LeNet 5 を MNIST 画像で検査すると, 性能, 特に精度が一貫した改善が見られた。

関連論文リスト

Structured Network Pruning by Measuring Filter-wise Interactions [6.037167142826297]
SNPFI (Structured Network Pruning by Measurement filter-wise Interaction) を用いた構造化ネットワークプルーニング手法を提案する。刈取中、SNPFIはフィルタ利用強度に基づいて適切な間隔を自動的に割り当てる。我々はSNPFIの有効性をいくつかの一般的なCNNモデルで実証的に実証した。
論文参考訳（メタデータ） (2023-07-03T05:26:05Z)
Filter Pruning for Efficient CNNs via Knowledge-driven Differential Filter Sampler [103.97487121678276]
フィルタプルーニングは同時に計算を加速し、CNNのメモリオーバーヘッドを低減する。本稿では,MFM(Masked Filter Modeling)フレームワークを用いた知識駆動型微分フィルタサンプリング(KDFS)を提案する。
論文参考訳（メタデータ） (2023-07-01T02:28:41Z)
Adaptive aggregation of Monte Carlo augmented decomposed filters for efficient group-equivariant convolutional neural network [0.36122488107441414]
グループ等価畳み込みニューラルネットワーク(G-CNN)は、CNNのデータ効率と性能を向上させるためにパラメータ共有に大きく依存している。群同変ニューラルネットワークに対する非パラメータ共有手法を提案する。提案手法は, 拡張フィルタの重み付け和により, 多様なフィルタを適応的に集約する。
論文参考訳（メタデータ） (2023-05-17T10:18:02Z)
Pruning by Active Attention Manipulation [49.61707925611295]
CNNのフィルタプルーニングは典型的には、CNNのフィルタ重みやアクティベーションマップに離散マスクを適用することで達成される。ここでは、アクティブアテンション操作(PAAM)によるプルーニング(pruning)という新しいフィルタ強調表示概念を提案する。 PAAMはフィルタ重みからアナログフィルタスコアを学習し、そのスコアの加算項によって正規化されたコスト関数を最適化する。
論文参考訳（メタデータ） (2022-10-20T09:17:02Z)
Batch Normalization Tells You Which Filter is Important [49.903610684578716]
我々は,事前学習したCNNのBNパラメータに基づいて,各フィルタの重要性を評価することによって,簡易かつ効果的なフィルタ刈取法を提案する。 CIFAR-10とImageNetの実験結果から,提案手法が優れた性能を発揮することを示す。
論文参考訳（メタデータ） (2021-12-02T12:04:59Z)
Early-exit deep neural networks for distorted images: providing an efficient edge offloading [69.43216268165402]
ディープニューラルネットワーク(DNN)のエッジオフロードは、入力の複雑さに適応することができる。画像歪みに対する対策として,特定の歪みタイプを訓練した専門的側枝を導入する。このアプローチはエッジ上の推定精度を高め、オフロードの決定を改善する。
論文参考訳（メタデータ） (2021-08-20T19:52:55Z)
Unsharp Mask Guided Filtering [53.14430987860308]
本論文の目的は,フィルタ中の構造伝達の重要性を強調した画像フィルタリングである。アンシャープマスキングにインスパイアされたガイドフィルタの新しい簡易な定式化を提案する。我々の定式化は低域フィルタに先立ってフィルタを楽しみ、単一の係数を推定することで明示的な構造伝達を可能にする。
論文参考訳（メタデータ） (2021-06-02T19:15:34Z)
Framework for Designing Filters of Spectral Graph Convolutional Neural Networks in the Context of Regularization Theory [1.0152838128195467]
グラフ畳み込みニューラルネットワーク(GCNN)はグラフ学習に広く利用されている。グラフ上の滑らかさ関数はグラフラプラシアンの言葉で定義できる。本稿では,グラフラプラシアンの正規化特性について検討し,スペクトルGCNNにおける正規化フィルタ設計のための一般化されたフレームワークを提案する。
論文参考訳（メタデータ） (2020-09-29T06:19:08Z)
CNNPruner: Pruning Convolutional Neural Networks with Visual Analytics [13.38218193857018]
畳み込みニューラルネットワーク(CNN)は多くのコンピュータビジョンタスクにおいて極めて優れた性能を示している。 CNNPrunerは、モデルのサイズや精度に関する望ましい目標に応じて、対話的にプルーニングプランを作成することができる。
論文参考訳（メタデータ） (2020-09-08T02:08:20Z)
Improving the Resolution of CNN Feature Maps Efficiently with Multisampling [8.655380837944188]
我々の手法の1つのバージョンはサブサンプリングと呼ばれ、追加のパラメータなしでDenseNetやResNetのような最先端アーキテクチャの精度を大幅に向上させる。データ拡張の性質について可能な洞察を与え、粗い特徴マップが画像分類におけるニューラルネットワークのパフォーマンスをボトルネックにしていることを実験的に実証する。
論文参考訳（メタデータ） (2018-05-28T04:29:02Z)

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。