Fugu-MT 論文翻訳(概要): Convolutional Spiking Neural Network for Image Classification

論文の概要: Convolutional Spiking Neural Network for Image Classification

arxiv url: http://arxiv.org/abs/2505.08514v1
Date: Tue, 13 May 2025 12:47:13 GMT
ステータス: 翻訳完了
システム内更新日: 2025-05-14 20:57:54.557793
Title: Convolutional Spiking Neural Network for Image Classification
Title（参考訳）: 画像分類のための畳み込みスパイクニューラルネットワーク
Authors: Mikhail Kiselev, Andrey Lavrentyev,
Abstract要約: 画像の分類に使用されるスパイキングニューラルネットワーク(SNN)における畳み込みアーキテクチャの実装を検討する。従来のニューラルネットワークと同じように、畳み込みレイヤは、CoLaNETアーキテクチャを備えたSNNベースの分類器の予測子として使用される情報“機能”を形成する。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by-nc-sa/4.0/
Abstract: We consider an implementation of convolutional architecture in a spiking neural network (SNN) used to classify images. As in the traditional neural network, the convolutional layers form informational "features" used as predictors in the SNN-based classifier with CoLaNET architecture. Since weight sharing contradicts the synaptic plasticity locality principle, the convolutional weights are fixed in our approach. We describe a methodology for their determination from a representative set of images from the same domain as the classified ones. We illustrate and test our approach on a classification task from the NEOVISION2 benchmark.
Abstract（参考訳）: 画像の分類に使用されるスパイキングニューラルネットワーク(SNN)における畳み込みアーキテクチャの実装を検討する。従来のニューラルネットワークと同じように、畳み込みレイヤは、CoLaNETアーキテクチャを備えたSNNベースの分類器の予測子として使用される情報“機能”を形成する。重み共有はシナプス可塑性の局所性原理と矛盾するため、畳み込み重みは我々のアプローチで固定される。分類された画像と同一領域からの画像の代表集合から決定する手法について述べる。 NEOVISION2ベンチマークから分類タスクについて,本手法を解説し,検証する。

関連論文リスト

NeuRN: Neuro-inspired Domain Generalization for Image Classification [0.0]
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。
論文参考訳（メタデータ） (2025-05-11T07:20:11Z)
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)
GNN-LoFI: a Novel Graph Neural Network through Localized Feature-based Histogram Intersection [51.608147732998994]
グラフニューラルネットワークは、グラフベースの機械学習の選択フレームワークになりつつある。本稿では,古典的メッセージパッシングに代えて,ノード特徴の局所分布を解析するグラフニューラルネットワークアーキテクチャを提案する。
論文参考訳（メタデータ） (2024-01-17T13:04:23Z)
Set-based Neural Network Encoding Without Weight Tying [91.37161634310819]
本稿では,ネットワーク特性予測のためのニューラルネットワーク重み符号化手法を提案する。我々のアプローチは、混合アーキテクチャのモデル動物園でニューラルネットワークを符号化することができる。ニューラルネットワークのプロパティ予測には,クロスデータセットとクロスアーキテクチャという,2つの新しいタスクを導入する。
論文参考訳（メタデータ） (2023-05-26T04:34:28Z)
Permutation Equivariant Neural Functionals [92.0667671999604]
この研究は、他のニューラルネットワークの重みや勾配を処理できるニューラルネットワークの設計を研究する。隠れた層状ニューロンには固有の順序がないため, 深いフィードフォワードネットワークの重みに生じる置換対称性に着目する。実験の結果, 置換同変ニューラル関数は多種多様なタスクに対して有効であることがわかった。
論文参考訳（メタデータ） (2023-02-27T18:52:38Z)
A Gradient Boosting Approach for Training Convolutional and Deep Neural Networks [0.0]
グラディエントブースティング(GB)に基づく畳み込みニューラルネットワーク(CNN)とディープニューラルネットワークの訓練方法を紹介する。提案モデルでは,同一アーキテクチャの標準CNNとDeep-NNに対して,分類精度の点で優れた性能を示す。
論文参考訳（メタデータ） (2023-02-22T12:17:32Z)
Neural Knitworks: Patched Neural Implicit Representation Networks [1.0470286407954037]
画像合成を実現する自然画像の暗黙的表現学習のためのアーキテクチャであるKnitworkを提案する。私たちの知る限りでは、画像のインペインティング、超解像化、デノイングといった合成作業に適した座標ベースのパッチの実装は、これが初めてである。その結果, ピクセルではなくパッチを用いた自然な画像のモデリングにより, 忠実度が高い結果が得られた。
論文参考訳（メタデータ） (2021-09-29T13:10:46Z)
BioLCNet: Reward-modulated Locally Connected Spiking Neural Networks [0.6193838300896449]
本稿では,スパイクタイピング依存型可塑性(STDP)と,その報酬変調型(R-STDP)学習規則を用いて訓練したスパイクニューラルネットワーク(SNN)を提案する。ネットワークは、レートコードされた入力層と、ローカルに接続された隠れ層とデコード出力層から構成される。我々は,MNISTデータセットを用いて,画像分類精度と報奨システムのロバスト性を評価した。
論文参考訳（メタデータ） (2021-09-12T15:28:48Z)
Learning Hierarchical Graph Neural Networks for Image Clustering [81.5841862489509]
本稿では,画像の集合を未知の個数にクラスタリングする方法を学ぶ階層型グラフニューラルネットワーク(GNN)モデルを提案する。我々の階層的なGNNは、階層の各レベルで予測される連結コンポーネントをマージして、次のレベルで新しいグラフを形成するために、新しいアプローチを用いています。
論文参考訳（メタデータ） (2021-07-03T01:28:42Z)
Convolutional Neural Networks from Image Markers [62.997667081978825]
特徴画像マーカーからの学習(FLIM)は、ごく少数の画像でユーザーが描画したストロークから、バックプロパゲーションのない畳み込みフィルタを推定するために最近提案されました。本稿では、フルコネクテッド層に対してFLIMを拡張し、異なる画像分類問題について実証する。その結果、FLIMベースの畳み込みニューラルネットワークは、バックプロパゲーションによってゼロから訓練された同じアーキテクチャを上回ります。
論文参考訳（メタデータ） (2020-12-15T22:58:23Z)
CSNNs: Unsupervised, Backpropagation-free Convolutional Neural Networks for Representation Learning [0.0]
この作業は、畳み込みニューラルネットワーク(CNN)と、自己組織化マップ(SOM)とHebbian Learningによるクラスタリングを組み合わせて、畳み込み自己組織化ニューラルネットワーク(CSNN)の構築ブロックを提案する。提案手法は,従来のCNNからの畳み込みレイヤの学習をSOMの競合的学習手順に置き換えるとともに,各レイヤ間の局所マスクをヘビアン様の学習規則で同時に学習することにより,クラスタリングによってフィルタが学習されるときの変動要因の解消を克服する。
論文参考訳（メタデータ） (2020-01-28T14:57:39Z)

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。