論文の概要: DeepTraverse: A Depth-First Search Inspired Network for Algorithmic Visual Understanding

• arxiv url: http://arxiv.org/abs/2506.10084v1
• Date: Wed, 11 Jun 2025 18:04:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-13 15:37:22.376163
• Title: DeepTraverse: A Depth-First Search Inspired Network for Algorithmic Visual Understanding
• Title（参考訳）: DeepTraverse: アルゴリズムによる視覚理解のための深層検索インスパイアされたネットワーク
• Authors: Bin Guo, John H. L. Hansen,
• Abstract要約: 本稿では,アルゴリズム検索戦略に触発された新しい視覚アーキテクチャであるDeepTraverseを紹介する。 我々は,DeepTraverseが高度に競争力のある分類精度と頑健な特徴識別を実現していることを示す。 我々の研究は、このようなアルゴリズムの事前を統合することで、より効率的で高性能で構造化された視覚バックボーンを構築するための原則的かつ効果的な戦略が提供されることを実証している。
• 参考スコア（独自算出の注目度）: 31.97402591213284
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Conventional vision backbones, despite their success, often construct features through a largely uniform cascade of operations, offering limited explicit pathways for adaptive, iterative refinement. This raises a compelling question: can principles from classical search algorithms instill a more algorithmic, structured, and logical processing flow within these networks, leading to representations built through more interpretable, perhaps reasoning-like decision processes? We introduce DeepTraverse, a novel vision architecture directly inspired by algorithmic search strategies, enabling it to learn features through a process of systematic elucidation and adaptive refinement distinct from conventional approaches. DeepTraverse operationalizes this via two key synergistic components: recursive exploration modules that methodically deepen feature analysis along promising representational paths with parameter sharing for efficiency, and adaptive calibration modules that dynamically adjust feature salience based on evolving global context. The resulting algorithmic interplay allows DeepTraverse to intelligently construct and refine feature patterns. Comprehensive evaluations across a diverse suite of image classification benchmarks show that DeepTraverse achieves highly competitive classification accuracy and robust feature discrimination, often outperforming conventional models with similar or larger parameter counts. Our work demonstrates that integrating such algorithmic priors provides a principled and effective strategy for building more efficient, performant, and structured vision backbones.
• Abstract（参考訳）: 従来の視覚バックボーンはその成功にもかかわらず、ほとんど均一な操作のカスケードを通して特徴を構築し、適応的で反復的な改善のための限定的な経路を提供する。 古典的な検索アルゴリズムの原理は、これらのネットワーク内でよりアルゴリズム的で構造化され、論理的な処理の流れを浸透させ、より解釈可能な、おそらくは推論のような決定プロセスを通じて構築される表現をもたらすだろうか? 本稿では,DeepTraverseを提案する。DeepTraverseは,アルゴリズム検索戦略にヒントを得た新しい視覚アーキテクチャであり,従来の手法とは異なる体系的解明と適応的洗練のプロセスを通じて特徴を学習することができる。 DeepTraverseは、これを2つの主要な相乗的コンポーネントによって運用する: 将来性のある表現経路に沿って機能分析を体系的に深める再帰的探索モジュールと、グローバルコンテキストの進化に基づいて機能サリエンスを動的に調整する適応キャリブレーションモジュール。 結果として生じるアルゴリズムの相互作用により、DeepTraverseは知的に特徴パターンを構築し、洗練することができる。 多様な画像分類ベンチマークの総合的な評価は、DeepTraverseが高い競争力のある分類精度とロバストな特徴識別を実現し、しばしば同様のパラメータ数またはより大きなパラメータ数を持つ従来のモデルよりも優れていることを示している。 我々の研究は、このようなアルゴリズムの事前を統合することで、より効率的で高性能で構造化された視覚バックボーンを構築するための原則的かつ効果的な戦略が提供されることを実証している。

関連論文リスト

• Component-based Sketching for Deep ReLU Nets [55.404661149594375]
  各種タスクのためのディープネットコンポーネントに基づくスケッチ手法を開発した。 我々はディープネットトレーニングを線形経験的リスク最小化問題に変換する。 提案したコンポーネントベーススケッチは飽和関数の近似においてほぼ最適であることを示す。
  論文  参考訳（メタデータ） (2024-09-21T15:30:43Z)
• Self-Attention Based Semantic Decomposition in Vector Symbolic Architectures [6.473177443214531]
  本稿では,反復探索問題における自己アテンションに基づく更新規則に基づく共振器ネットワークの新たな変種を提案する。 認識に基づくパターン認識,シーン分解,オブジェクト推論など,多くのタスクに応用できる。
  論文  参考訳（メタデータ） (2024-03-20T00:37:19Z)
• Model-Based Deep Learning: On the Intersection of Deep Learning and Optimization [101.32332941117271]
  決定アルゴリズムは様々なアプリケーションで使われている。 数理モデルに頼らずにデータから調整された高度パラメトリックアーキテクチャを使用するディープラーニングアプローチが、ますます人気が高まっている。 モデルに基づく最適化とデータ中心のディープラーニングは、しばしば異なる規律とみなされる。
  論文  参考訳（メタデータ） (2022-05-05T13:40:08Z)
• Deep Equilibrium Assisted Block Sparse Coding of Inter-dependent Signals: Application to Hyperspectral Imaging [71.57324258813675]
  相互依存信号のデータセットは、列が強い依存を示す行列として定義される。 ニューラルネットワークは、事前に構造として機能し、基礎となる信号相互依存性を明らかにするために使用される。 ディープ・アンローリングとディープ・平衡に基づくアルゴリズムが開発され、高度に解釈可能で簡潔なディープ・ラーニング・ベース・アーキテクチャを形成する。
  論文  参考訳（メタデータ） (2022-03-29T21:00:39Z)
• Redefining Neural Architecture Search of Heterogeneous Multi-Network Models by Characterizing Variation Operators and Model Components [71.03032589756434]
  複素領域における異なる変動演算子の効果について検討する。 モデルの複雑さと性能に影響を及ぼす変化演算子と、それを構成する異なる部分の質を推定する様々な指標に依存するモデルの両方を特徴付ける。
  論文  参考訳（メタデータ） (2021-06-16T17:12:26Z)
• Reframing Neural Networks: Deep Structure in Overcomplete Representations [41.84502123663809]
  本稿では,構造化過剰フレームを用いた表現学習のための統一フレームワークであるdeep frame approximationを提案する。 表現一意性と安定性に関連付けられたデータ非依存的なコヒーレンス尺度であるdeep frame potentialとの構造的差異を定量化する。 この超完全表現の確立された理論への接続は、原理化されたディープネットワークアーキテクチャ設計の新たな方向性を示唆している。
  論文  参考訳（メタデータ） (2021-03-10T01:15:14Z)
• Learned Greedy Method (LGM): A Novel Neural Architecture for Sparse Coding and Beyond [24.160276545294288]
  同じ目的のために,欲求追従アルゴリズムの展開版を提案する。 Learned Greedy Method(LGM)のキーとなる特徴は、動的に展開された複数のレイヤに対応する能力である。
  論文  参考訳（メタデータ） (2020-10-14T13:17:02Z)
• MetaSDF: Meta-learning Signed Distance Functions [85.81290552559817]
  ニューラルな暗示表現で形状を一般化することは、各関数空間上の学習先行値に比例する。 形状空間の学習をメタラーニング問題として定式化し、勾配に基づくメタラーニングアルゴリズムを利用してこの課題を解決する。
  論文  参考訳（メタデータ） (2020-06-17T05:14:53Z)
• Dynamic Hierarchical Mimicking Towards Consistent Optimization Objectives [73.15276998621582]
  一般化能力を高めたCNN訓練を推進するための汎用的特徴学習機構を提案する。 DSNに部分的にインスパイアされた私たちは、ニューラルネットワークの中間層から微妙に設計されたサイドブランチをフォークしました。 カテゴリ認識タスクとインスタンス認識タスクの両方の実験により,提案手法の大幅な改善が示された。
  論文  参考訳（メタデータ） (2020-03-24T09:56:13Z)
• An Elementary Approach to Convergence Guarantees of Optimization Algorithms for Deep Networks [2.715884199292287]
  本稿では,オラクルの基本的な議論と計算に基づいて,ディープ・ネットワークに対する最適化アルゴリズムの収束保証を得る手法を提案する。 本研究では、ディープネットワークのトレーニングに使用される一階最適化アルゴリズムの収束挙動を制御した滑らか度定数の推定値を計算する体系的な方法を提案する。
  論文  参考訳（メタデータ） (2020-02-20T22:40:52Z)

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。