論文の概要: NeuRN: Neuro-inspired Domain Generalization for Image Classification

• arxiv url: http://arxiv.org/abs/2505.06881v1
• Date: Sun, 11 May 2025 07:20:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-05-13 20:21:49.088976
• Title: NeuRN: Neuro-inspired Domain Generalization for Image Classification
• Title（参考訳）: NeuRN: 画像分類のためのニューラルインスパイアされたドメインの一般化
• Authors: Hamd Jalil, Ahmed Qazi, Asim Iqbal,
• Abstract要約: 哺乳類の視覚野のニューロンからインスピレーションを受ける神経誘発ニューラルレスポンスノーマライゼーション(Neural Response Normalization)層を導入する。 画像分類タスクにおけるベースラインに対する改善を示すことにより,NeuRNの有効性を実証した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Domain generalization in image classification is a crucial challenge, with models often failing to generalize well across unseen datasets. We address this issue by introducing a neuro-inspired Neural Response Normalization (NeuRN) layer which draws inspiration from neurons in the mammalian visual cortex, which aims to enhance the performance of deep learning architectures on unseen target domains by training deep learning models on a source domain. The performance of these models is considered as a baseline and then compared against models integrated with NeuRN on image classification tasks. We perform experiments across a range of deep learning architectures, including ones derived from Neural Architecture Search and Vision Transformer. Additionally, in order to shortlist models for our experiment from amongst the vast range of deep neural networks available which have shown promising results, we also propose a novel method that uses the Needleman-Wunsch algorithm to compute similarity between deep learning architectures. Our results demonstrate the effectiveness of NeuRN by showing improvement against baseline in cross-domain image classification tasks. Our framework attempts to establish a foundation for future neuro-inspired deep learning models.
• Abstract（参考訳）: 画像分類におけるドメインの一般化は重要な課題である。 本稿では,脳神経刺激によるニューラル応答正規化(NeuRN)レイヤを導入することでこの問題に対処する。このレイヤは,ソースドメイン上でディープラーニングモデルをトレーニングすることで,未確認領域におけるディープラーニングアーキテクチャの性能を高めることを目的としている。 これらのモデルの性能はベースラインと見なされ、画像分類タスクにおいてNeuRNと統合されたモデルと比較される。 ニューラルアーキテクチャサーチやビジョントランスフォーマーから派生したアーキテクチャを含む、さまざまなディープラーニングアーキテクチャの実験を行います。 さらに,有望な結果を示した広範囲の深層ニューラルネットワークから実験モデルをショートリスト化するために,Needleman-Wunschアルゴリズムを用いてディープラーニングアーキテクチャ間の類似性を計算した新しい手法を提案する。 画像分類タスクにおけるベースラインに対する改善を示すことにより,NeuRNの有効性を実証した。 われわれのフレームワークは、未来のニューロインスパイアされたディープラーニングモデルの基礎を確立しようと試みている。

関連論文リスト

• Planarian Neural Networks: Evolutionary Patterns from Basic Bilateria Shaping Modern Artificial Neural Network Architectures [7.054776300100835]
  本研究の目的は, プランタリアンの生物学的神経系構造に触発された新しいアプローチにより, ANNの画像分類性能を向上させることである。 提案した計画的ニューラルネットワークは、CIFAR-10とCIFAR-100データセットに基づいて評価された。
  論文  参考訳（メタデータ） (2025-01-08T18:59:36Z)
• Towards Scalable and Versatile Weight Space Learning [51.78426981947659]
  本稿では,重み空間学習におけるSANEアプローチを紹介する。 ニューラルネットワーク重みのサブセットの逐次処理に向けて,超表現の概念を拡張した。
  論文  参考訳（メタデータ） (2024-06-14T13:12:07Z)
• Graph Neural Networks for Learning Equivariant Representations of Neural Networks [55.04145324152541]
  本稿では,ニューラルネットワークをパラメータの計算グラフとして表現することを提案する。 我々のアプローチは、ニューラルネットワークグラフを多種多様なアーキテクチャでエンコードする単一モデルを可能にする。 本稿では,暗黙的ニューラル表現の分類や編集など,幅広いタスクにおける本手法の有効性を示す。
  論文  参考訳（メタデータ） (2024-03-18T18:01:01Z)
• Analyzing Populations of Neural Networks via Dynamical Model Embedding [10.455447557943463]
  ディープニューラルネットワークの解釈における中核的な課題は、同じタスクのためにトレーニングされた異なるネットワークによって実装された基盤となるアルゴリズム間の共通点を特定することである。 この問題に触発されたDYNAMOは,各点がニューラルネットワークモデルに対応する低次元多様体を構築するアルゴリズムであり,対応するニューラルネットワークが同様のハイレベルな計算処理を実行する場合,その近傍に2つの点が存在する。 DYNAMOは、事前訓練されたニューラルネットワークのコレクションを入力として、隠された状態のダイナミクスとコレクション内の任意のモデルの出力をエミュレートするメタモデルを出力する。
  論文  参考訳（メタデータ） (2023-02-27T19:00:05Z)
• DQNAS: Neural Architecture Search using Reinforcement Learning [6.33280703577189]
  畳み込みニューラルネットワークは様々な画像関連アプリケーションで使われている。 本稿では,強化学習の原則を取り入れた,ニューラルネットワークの自動探索フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-01-17T04:01:47Z)
• Comparative evaluation of CNN architectures for Image Caption Generation [1.2183405753834562]
  2つの人気のある画像キャプチャ生成フレームワークで17種類の畳み込みニューラルネットワークを評価した。 我々は、畳み込みニューラルネットワークのモデルの複雑さをパラメータ数で測定し、オブジェクト認識タスクにおけるモデルの精度は、必ずしも画像キャプション生成タスクの機能抽出に対する効果と相関するとは限らないことを観察する。
  論文  参考訳（メタデータ） (2021-02-23T05:43:54Z)
• NAS-DIP: Learning Deep Image Prior with Neural Architecture Search [65.79109790446257]
  近年の研究では、深部畳み込みニューラルネットワークの構造が、以前に構造化された画像として利用できることが示されている。 我々は,より強い画像の先行を捉えるニューラルネットワークの探索を提案する。 既存のニューラルネットワーク探索アルゴリズムを利用して,改良されたネットワークを探索する。
  論文  参考訳（メタデータ） (2020-08-26T17:59:36Z)
• A Semi-Supervised Assessor of Neural Architectures [157.76189339451565]
  我々は、ニューラルネットワークの有意義な表現を見つけるためにオートエンコーダを用いる。 アーキテクチャの性能を予測するために、グラフ畳み込みニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-05-14T09:02:33Z)

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。