論文の概要: FMCE-Net++: Feature Map Convergence Evaluation and Training

• arxiv url: http://arxiv.org/abs/2508.06109v1
• Date: Fri, 08 Aug 2025 08:15:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-11 20:39:06.136678
• Title: FMCE-Net++: Feature Map Convergence Evaluation and Training
• Title（参考訳）: FMCE-Net++: フィーチャーマップの収束評価とトレーニング
• Authors: Zhibo Zhu, Renyu Huang, Lei He,
• Abstract要約: FMCE-Net++は、事前訓練された凍結されたFMCE-Netを補助ヘッドとして統合する訓練フレームワークである。 このモジュールはFMCS予測を生成し、タスクラベルと組み合わせてバックボーン最適化を共同で監督する。 MNIST、CIFAR-10、FashionMNIST、CIFAR-100で行った実験は、FMCE-Net++が一貫してモデル性能を向上させることを示した。
• 参考スコア（独自算出の注目度）: 3.4980368136673405
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Deep Neural Networks (DNNs) face interpretability challenges due to their opaque internal representations. While Feature Map Convergence Evaluation (FMCE) quantifies module-level convergence via Feature Map Convergence Scores (FMCS), it lacks experimental validation and closed-loop integration. To address this limitation, we propose FMCE-Net++, a novel training framework that integrates a pretrained, frozen FMCE-Net as an auxiliary head. This module generates FMCS predictions, which, combined with task labels, jointly supervise backbone optimization through a Representation Auxiliary Loss. The RAL dynamically balances the primary classification loss and feature convergence optimization via a tunable \Representation Abstraction Factor. Extensive experiments conducted on MNIST, CIFAR-10, FashionMNIST, and CIFAR-100 demonstrate that FMCE-Net++ consistently enhances model performance without architectural modifications or additional data. Key experimental outcomes include accuracy gains of $+1.16$ pp (ResNet-50/CIFAR-10) and $+1.08$ pp (ShuffleNet v2/CIFAR-100), validating that FMCE-Net++ can effectively elevate state-of-the-art performance ceilings.
• Abstract（参考訳）: ディープニューラルネットワーク(DNN)は、不透明な内部表現のため、解釈可能性の問題に直面している。 Feature Map Convergence Evaluation (FMCE)は、Feature Map Convergence Scores (FMCS)を介してモジュールレベルの収束を定量化するが、実験的な検証とクローズドループの統合は欠如している。 この制限に対処するため、FMCE-Net++は、事前訓練された凍結されたFMCE-Netを補助ヘッドとして統合する新しいトレーニングフレームワークである。 このモジュールはFMCS予測を生成し、タスクラベルと組み合わせることでRepresentation Auxiliary Lossを通じてバックボーンの最適化を共同で監督する。 ALは、調整可能な \Representation Abstraction Factor を通じて、一次分類損失と特徴収束最適化を動的にバランスさせる。 MNIST、CIFAR-10、FashionMNIST、CIFAR-100で実施された大規模な実験は、FMCE-Net++がアーキテクチャの変更や追加データなしでモデル性能を継続的に向上することを示した。 主な実験結果は、$+1.16$ pp (ResNet-50/CIFAR-10) と$+1.08$ pp (ShuffleNet v2/CIFAR-100) の精度向上であり、FMCE-Net++が最先端のパフォーマンス天井を効果的に高めることができることを検証している。

関連論文リスト

• FMDConv: Fast Multi-Attention Dynamic Convolution via Speed-Accuracy Trade-off [12.900580256269155]
  本稿では,FMDConv(Fast Multi-Attention Dynamic Convolution)を提案する。 CIFAR-10、CIFAR-100、ImageNetの実験では、FMDConvはResNet-18では最大49.8%、ResNet-50では42.2%の計算コストを削減している。
  論文  参考訳（メタデータ） (2025-03-21T20:23:32Z)
• Feature Map Convergence Evaluation for Functional Module [14.53278086364748]
  モデル収束度を評価するため,特徴マップ解析に基づく評価手法を提案する。 我々は,モデルの収束度を測定し,予測するための特徴マップ収束評価ネットワーク (FMCE-Net) を開発した。 これは機能的モジュールに対する最初の独立評価手法であり、知覚モデルに対するトレーニングアセスメントのための新しいパラダイムを提供する。
  論文  参考訳（メタデータ） (2024-05-07T06:25:49Z)
• Unleashing Network Potentials for Semantic Scene Completion [50.95486458217653]
  本稿では,新しいSSCフレームワーク - Adrial Modality Modulation Network (AMMNet)を提案する。 AMMNetは、モダリティ間の勾配流の相互依存性を可能にするクロスモーダル変調と、動的勾配競争を利用するカスタマイズされた逆トレーニングスキームの2つのコアモジュールを導入している。 AMMNetは最先端のSSC法よりも大きなマージンで優れていた。
  論文  参考訳（メタデータ） (2024-03-12T11:48:49Z)
• TransXNet: Learning Both Global and Local Dynamics with a Dual Dynamic Token Mixer for Visual Recognition [63.93802691275012]
  グローバル・ローカル・ダイナミクスを同時に学習するための軽量なデュアル・ダイナミック・トケン・ミキサー(D-Mixer)を提案する。 我々は、新しいハイブリッドCNN-TransformerビジョンバックボーンネットワークであるTransXNetを設計するために、基本的なビルディングブロックとしてD-Mixerを使用している。 ImageNet-1K分類では、TransXNet-TはSwin-Tを0.3%上回り、計算コストの半分以下である。
  論文  参考訳（メタデータ） (2023-10-30T09:35:56Z)
• Neural Attentive Circuits [93.95502541529115]
  我々は、NAC(Neural Attentive Circuits)と呼ばれる汎用的でモジュラーなニューラルアーキテクチャを導入する。 NACは、ドメイン知識を使わずに、ニューラルネットワークモジュールのパラメータ化と疎結合を学習する。 NACは推論時に8倍のスピードアップを達成するが、性能は3%以下である。
  論文  参考訳（メタデータ） (2022-10-14T18:00:07Z)
• Transformer-based Context Condensation for Boosting Feature Pyramids in Object Detection [77.50110439560152]
  現在の物体検出器は、通常マルチレベル特徴融合(MFF)のための特徴ピラミッド(FP)モジュールを持つ。 我々は,既存のFPがより優れたMFF結果を提供するのに役立つ,新しい,効率的なコンテキストモデリング機構を提案する。 特に,包括的文脈を2種類の表現に分解・凝縮して高効率化を図っている。
  論文  参考訳（メタデータ） (2022-07-14T01:45:03Z)
• Local Similarity Pattern and Cost Self-Reassembling for Deep Stereo Matching Networks [3.7384509727711923]
  LSP(Local similarity Pattern)という,深層ステレオマッチングネットワークのためのペア機能を導入する。 隣接する関係を明確に明らかにすることで、LSPはより識別的な特徴記述を支援するために活用できる豊富な構造情報を含んでいる。 第2に,動的自己組み換え改良戦略を設計し,コスト分布と分散マップにそれぞれ適用する。
  論文  参考訳（メタデータ） (2021-12-02T06:52:54Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。