Fugu-MT 論文翻訳(概要): Impact of Tuning Parameters in Deep Convolutional Neural Network Using a Crack Image Dataset

論文の概要: Impact of Tuning Parameters in Deep Convolutional Neural Network Using a Crack Image Dataset

arxiv url: http://arxiv.org/abs/2506.03184v1
Date: Fri, 30 May 2025 10:58:31 GMT
ステータス: 翻訳完了
システム内更新日: 2025-06-05 21:20:13.920663
Title: Impact of Tuning Parameters in Deep Convolutional Neural Network Using a Crack Image Dataset
Title（参考訳）: き裂画像データセットを用いた深部畳み込みニューラルネットワークにおけるチューニングパラメータの影響
Authors: Mahe Zabin, Ho-Jin Choi, Md. Monirul Islam, Jia Uddin,
Abstract要約: 深部畳み込みニューラルネットワーク(DCNN)の性能に及ぼす各種チューニングパラメータの影響について検討した。最大値設定により、DCNNはアダムとタンのアクティベーションファンクオンの優れた性能を示す。
参考スコア（独自算出の注目度）: 3.60611645895851
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The performance of a classifier depends on the tuning of its parame ters. In this paper, we have experimented the impact of various tuning parameters on the performance of a deep convolutional neural network (DCNN). In the ex perimental evaluation, we have considered a DCNN classifier that consists of 2 convolutional layers (CL), 2 pooling layers (PL), 1 dropout, and a dense layer. To observe the impact of pooling, activation function, and optimizer tuning pa rameters, we utilized a crack image dataset having two classes: negative and pos itive. The experimental results demonstrate that with the maxpooling, the DCNN demonstrates its better performance for adam optimizer and tanh activation func tion.
Abstract（参考訳）: 分類器のパフォーマンスは、そのパラメターのチューニングに依存する。本稿では,様々なチューニングパラメータがディープ畳み込みニューラルネットワーク(DCNN)の性能に与える影響を実験した。本研究では,2つの畳み込み層(CL),2つのプール層(PL),1つのドロップアウト,および1つの高密度層からなるDCNN分類器について検討した。プール, アクティベーション機能, パラメータチューニングの最適化の影響を観察するために, 負と正の2つのクラスを持つクラック画像データセットを用いた。実験の結果,DCNNは最大値設定により,ダムオプティマイザとタンハアクティベーションファンクオンに優れた性能を示すことがわかった。

関連論文リスト

DCNN: Dual Cross-current Neural Networks Realized Using An Interactive Deep Learning Discriminator for Fine-grained Objects [48.65846477275723]
本研究では、微細な画像分類の精度を向上させるために、新しい二重電流ニューラルネットワーク(DCNN)を提案する。弱い教師付き学習バックボーンモデルを構築するための新しい特徴として、(a)異種データの抽出、(b)特徴マップの解像度の維持、(c)受容領域の拡大、(d)グローバル表現と局所特徴の融合などがある。
論文参考訳（メタデータ） (2024-05-07T07:51:28Z)
ASU-CNN: An Efficient Deep Architecture for Image Classification and Feature Visualizations [0.0]
活性化関数はディープニューラルネットワークの能力を決定する上で決定的な役割を果たす。本稿では,ASU-CNNと呼ばれる畳み込みニューラルネットワークモデルを提案する。ネットワークは、CIFAR-10の分類のためのトレーニングデータとテストデータの両方において有望な結果を得た。
論文参考訳（メタデータ） (2023-05-28T16:52:25Z)
Partial Binarization of Neural Networks for Budget-Aware Efficient Learning [10.613066533991292]
バイナリ化はニューラルネットワークの強力な圧縮技術である。そこで我々は,MixBin戦略を用いた予算付きバイナリニューラルネットワーク(B2NN)の構築により,部分バイナライゼーションの制御手法を提案する。
論文参考訳（メタデータ） (2022-11-12T20:30:38Z)
Improved Algorithms for Neural Active Learning [74.89097665112621]
非パラメトリックストリーミング設定のためのニューラルネットワーク(NN)ベースの能動学習アルゴリズムの理論的および経験的性能を改善する。本研究では,SOTA(State-of-the-art (State-the-art)) 関連研究で使用されるものよりも,アクティブラーニングに適する人口減少を最小化することにより,2つの後悔の指標を導入する。
論文参考訳（メタデータ） (2022-10-02T05:03:38Z)
Recurrent Bilinear Optimization for Binary Neural Networks [58.972212365275595]
BNNは、実数値重みとスケールファクターの内在的双線型関係を無視している。私たちの仕事は、双線形の観点からBNNを最適化する最初の試みです。我々は、様々なモデルやデータセット上で最先端のBNNに対して印象的な性能を示す頑健なRBONNを得る。
論文参考訳（メタデータ） (2022-09-04T06:45:33Z)
Implementing a foveal-pit inspired filter in a Spiking Convolutional Neural Network: a preliminary study [0.0]
我々は,網膜卵管刺激によるガウスフィルタとランク順符号化の差異を取り入れたスポーキング畳み込みニューラルネットワーク(SCNN)を提示した。このモデルは、Nengoライブラリーで実装されているように、スパイキングニューロンで動作するように適応されたバックプロパゲーションアルゴリズムの変種を用いて訓練される。ネットワークは最大90%の精度で達成され、損失はクロスエントロピー関数を用いて計算される。
論文参考訳（メタデータ） (2021-05-29T15:28:30Z)
Scene Understanding for Autonomous Driving [0.0]
Detectron2で提示されたRetinaNet, Faster R-CNN, Mask R-CNNの異なる構成の挙動を検討する。関心のあるデータセット上でこれらのモデルを微調整した後、パフォーマンスの大幅な改善を観察します。文脈外のデータセットを用いて異常な状況下で推論を行い、興味深い結果を示す。
論文参考訳（メタデータ） (2021-05-11T09:50:05Z)
CondenseNet V2: Sparse Feature Reactivation for Deep Networks [87.38447745642479]
高密度接続によるディープネットワークの機能再利用は、高い計算効率を達成する効果的な方法である。スパース機能再活性化(SFR)と呼ばれる代替アプローチを提案し、再利用機能の有用性を積極的に高めることを目指しています。提案手法は画像分類(ImageNet, CIFAR)とオブジェクト検出(MSCOCO)において,理論的効率と実用的速度の両面で有望な性能を達成できることを示す。
論文参考訳（メタデータ） (2021-04-09T14:12:43Z)
Distillation Guided Residual Learning for Binary Convolutional Neural Networks [83.6169936912264]
Binary CNN(BCNN)とFloating Point CNN(FCNN)のパフォーマンスギャップを埋めることは難しい。我々は,この性能差が,BCNNとFCNNの中間特徴写像の間にかなりの残差をもたらすことを観察した。性能ギャップを最小限に抑えるため,BCNN は FCNN と同様の中間特徴写像を生成する。このトレーニング戦略、すなわち、FCNNから派生したブロックワイド蒸留損失で各バイナリ畳み込みブロックを最適化することで、BCNNをより効果的に最適化する。
論文参考訳（メタデータ） (2020-07-10T07:55:39Z)
Understanding and Resolving Performance Degradation in Graph Convolutional Networks [105.14867349802898]
グラフ畳み込みネットワーク(GCN)は複数のレイヤを積み重ね、グラフ構造化データ上でノード表現を学習するためのPROPとTRANを実行する。 GCNはモデルが深くなるとパフォーマンスが低下する傾向がある。本稿では,TRANやPROPのみを積み重ねることによるGCNの性能劣化について実験的に検討する。
論文参考訳（メタデータ） (2020-06-12T12:12:12Z)

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。