論文の概要: A Hybrid Multi-Well Hopfield-CNN with Feature Extraction and K-Means for MNIST Classification

• arxiv url: http://arxiv.org/abs/2507.08766v1
• Date: Fri, 11 Jul 2025 17:26:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-14 18:03:54.443595
• Title: A Hybrid Multi-Well Hopfield-CNN with Feature Extraction and K-Means for MNIST Classification
• Title（参考訳）: MNIST分類のための特徴抽出とK平均を用いたハイブリッドマルチウェルホップフィールドCNN
• Authors: Ahmed Farooq,
• Abstract要約: 本研究は,MNISTデータセットで手書き桁を分類するハイブリッドモデルを提案する。 畳み込みニューラルネットワーク(CNN)とマルチウェルホップフィールドネットワークを組み合わせる。 このモデルは1万枚のMNIST画像に対して99.2%の高いテスト精度を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This study presents a hybrid model for classifying handwritten digits in the MNIST dataset, combining convolutional neural networks (CNNs) with a multi-well Hopfield network. The approach employs a CNN to extract high-dimensional features from input images, which are then clustered into class-specific prototypes using k-means clustering. These prototypes serve as attractors in a multi-well energy landscape, where a Hopfield network performs classification by minimizing an energy function that balances feature similarity and class assignment.The model's design enables robust handling of intraclass variability, such as diverse handwriting styles, while providing an interpretable framework through its energy-based decision process. Through systematic optimization of the CNN architecture and the number of wells, the model achieves a high test accuracy of 99.2% on 10,000 MNIST images, demonstrating its effectiveness for image classification tasks. The findings highlight the critical role of deep feature extraction and sufficient prototype coverage in achieving high performance, with potential for broader applications in pattern recognition.
• Abstract（参考訳）: 本研究では、畳み込みニューラルネットワーク(CNN)とマルチウェルホップフィールドネットワークを組み合わせたMNISTデータセットで手書き桁を分類するハイブリッドモデルを提案する。 このアプローチでは、入力画像から高次元特徴を抽出するためにCNNを使用し、k平均クラスタリングを使用してクラス固有のプロトタイプにクラスタリングする。 これらのプロトタイプは、ホップフィールドネットワークが特徴の類似性とクラス割り当てのバランスをとるエネルギー関数を最小化して分類を行うマルチウェルエネルギーランドスケープにおけるアトラクタとして機能し、モデルの設計は、多種多様な手書きスタイルなどのクラス内変動の堅牢な処理を可能にし、エネルギーベースの決定プロセスを通じて解釈可能なフレームワークを提供する。 CNNアーキテクチャの体系的な最適化とウェル数により、1万MNIST画像の99.2%の高いテスト精度を実現し、画像分類タスクの有効性を示す。 この知見は, パターン認識における幅広い応用の可能性があり, 高い性能を達成する上で, 深い特徴抽出と十分なプロトタイプカバレッジの重要性を強調した。

関連論文リスト

• Research of the Variational Shadow Quantum Circuit Based on the Whale Optimization Algorithm in Image Classification [5.476164902473674]
  本稿では,Whale Optimizationアルゴリズムに基づく可変分割型シャドウ量子回路(VSQC)モデルを提案する。 本稿では,MNISTデータセット上でのバイナリ分類処理を実現するために,異なる局所化シャドウサーキットVSQCモデルを用いる。 強い絡み合ったシャドウ回路の設計は、分類精度の点で最良である。
  論文  参考訳（メタデータ） (2025-05-15T06:14:02Z)
• Enhanced Convolutional Neural Networks for Improved Image Classification [0.40964539027092917]
  CIFAR-10は、小規模のマルチクラスデータセットの分類モデルの性能を評価するために広く使用されているベンチマークである。 本稿では,より深い畳み込みブロック,バッチ正規化,ドロップアウト正規化を統合したCNNアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2025-02-02T04:32:25Z)
• Subgraph Clustering and Atom Learning for Improved Image Classification [4.499833362998488]
  本稿では,特徴抽出のための畳み込みニューラルネットワーク(CNN)と構造モデリングのためのグラフニューラルネットワーク(GNN)の長所を融合した,新しいハイブリッド画像分類モデルであるグラフサブグラフネットワーク(GSN)を提案する。 GSNはk平均クラスタリングを使用してグラフノードをクラスタにグループ化し、サブグラフの作成を容易にする。 これらの部分グラフを使用して、辞書学習のための代表原子を学習し、スパースでクラス区別可能な特徴の識別を可能にする。
  論文  参考訳（メタデータ） (2024-07-20T06:32:00Z)
• Neural Clustering based Visual Representation Learning [61.72646814537163]
  クラスタリングは、機械学習とデータ分析における最も古典的なアプローチの1つである。 本稿では,特徴抽出をデータから代表者を選択するプロセスとみなすクラスタリング(FEC)による特徴抽出を提案する。 FECは、個々のクラスタにピクセルをグループ化して抽象的な代表を配置し、現在の代表とピクセルの深い特徴を更新する。
  論文  参考訳（メタデータ） (2024-03-26T06:04:50Z)
• Multilinear Operator Networks [60.7432588386185]
  ポリノミアルネットワーク(Polynomial Networks)は、アクティベーション関数を必要としないモデルのクラスである。 マルチリニア演算子のみに依存するMONetを提案する。
  論文  参考訳（メタデータ） (2024-01-31T16:52:19Z)
• SENetV2: Aggregated dense layer for channelwise and global representations [0.0]
  我々は,Squeeze残余モジュール内に,多分岐密度層である新しい多層パーセプトロンを導入する。 この融合により、チャネルワイドパターンを捕捉し、グローバルな知識を持つネットワークの能力が向上する。 ベンチマークデータセットの広範な実験を行い、モデルを検証し、確立したアーキテクチャと比較する。
  論文  参考訳（メタデータ） (2023-11-17T14:10:57Z)
• Vision Transformer with Convolutions Architecture Search [72.70461709267497]
  本稿では,畳み込み型アーキテクチャサーチ(VTCAS)を用いたアーキテクチャ探索手法を提案する。 VTCASによって探索された高性能バックボーンネットワークは、畳み込みニューラルネットワークの望ましい特徴をトランスフォーマーアーキテクチャに導入する。 これは、特に低照度屋内シーンにおいて、物体認識のためのニューラルネットワークの堅牢性を高める。
  論文  参考訳（メタデータ） (2022-03-20T02:59:51Z)
• Multiscale Convolutional Transformer with Center Mask Pretraining for Hyperspectral Image Classificationtion [14.33259265286265]
  本稿では,空間スペクトル情報の効率的な抽出を実現するために,高スペクトル画像(HSI)のための高速多スケール畳み込みモジュールを提案する。 マスクオートエンコーダと同様に、我々の事前学習法は、エンコーダ内の中央画素の対応するトークンのみをマスクし、残りのトークンをデコーダに入力し、中央画素のスペクトル情報を再構成する。
  論文  参考訳（メタデータ） (2022-03-09T14:42:26Z)
• Optimising for Interpretability: Convolutional Dynamic Alignment Networks [108.83345790813445]
  我々は、畳み込み動的アライメントネットワーク(CoDA Nets)と呼ばれる新しいニューラルネットワークモデルを紹介する。 彼らの中核となるビルディングブロックは動的アライメントユニット(DAU)であり、タスク関連パターンに合わせて動的に計算された重みベクトルで入力を変換するように最適化されている。 CoDAネットは一連の入力依存線形変換を通じて分類予測をモデル化し、出力を個々の入力コントリビューションに線形分解することができる。
  論文  参考訳（メタデータ） (2021-09-27T12:39:46Z)
• Attention-driven Graph Clustering Network [49.040136530379094]
  我々は、注意駆動グラフクラスタリングネットワーク(AGCN)という新しいディープクラスタリング手法を提案する。 AGCNは、ノード属性特徴とトポロジグラフ特徴を動的に融合するために、不均一な融合モジュールを利用する。 AGCNは、教師なしの方法で特徴学習とクラスタ割り当てを共同で行うことができる。
  論文  参考訳（メタデータ） (2021-08-12T02:30:38Z)
• Probabilistic Graph Attention Network with Conditional Kernels for Pixel-Wise Prediction [158.88345945211185]
  本稿では,画素レベルの予測を基本的側面,すなわち,技術の現状を推し進める新たなアプローチを提案する。 構造化されたマルチスケール機能学習と融合。 本論文では,マルチスケール表現を原理的に学習・融合するための新しいアテンテンションゲート条件ランダムフィールド(AG-CRFs)モデルに基づく確率的グラフアテンションネットワーク構造を提案する。
  論文  参考訳（メタデータ） (2021-01-08T04:14:29Z)

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。