論文の概要: Deep Learning-Based Rock Particulate Classification Using Attention-Enhanced ConvNeXt

• arxiv url: http://arxiv.org/abs/2509.01704v1
• Date: Mon, 01 Sep 2025 18:24:40 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-04 15:17:03.819683
• Title: Deep Learning-Based Rock Particulate Classification Using Attention-Enhanced ConvNeXt
• Title（参考訳）: 注意強化 ConvNeXt を用いた深層学習による岩石粒子の分類
• Authors: Anthony Amankwah, Chris Aldrich,
• Abstract要約: 本稿では,ConvNeXtアーキテクチャに基づく拡張型ディープラーニングモデルを提案する。 注意機構の組み入れは,岩のような自然テクスチャを含むきめ細かな分類作業において,モデル機能を大幅に向上させることを示す。
• 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: Accurate classification of rock sizes is a vital component in geotechnical engineering, mining, and resource management, where precise estimation influences operational efficiency and safety. In this paper, we propose an enhanced deep learning model based on the ConvNeXt architecture, augmented with both self-attention and channel attention mechanisms. Building upon the foundation of ConvNext, our proposed model, termed CNSCA, introduces self-attention to capture long-range spatial dependencies and channel attention to emphasize informative feature channels. This hybrid design enables the model to effectively capture both fine-grained local patterns and broader contextual relationships within rock imagery, leading to improved classification accuracy and robustness. We evaluate our model on a rock size classification dataset and compare it against three strong baseline. The results demonstrate that the incorporation of attention mechanisms significantly enhances the models capability for fine-grained classification tasks involving natural textures like rocks.
• Abstract（参考訳）: 岩の大きさの正確な分類は、正確な推定が運用効率と安全性に影響を与える地球工学、鉱業、資源管理において重要な要素である。 本稿では,ConvNeXtアーキテクチャに基づく拡張型ディープラーニングモデルを提案する。 提案するモデルであるCNSCAは,ConvNextの基盤として,長距離空間依存性を捕捉する自己注意と,情報的特徴チャネルを強調するチャネルアテンションを導入している。 このハイブリッド設計により、岩の微細な局所パターンとより広い文脈関係の両方を効果的に捉え、分類精度とロバスト性を向上させることができる。 我々は,岩の大きさ分類データセットを用いてモデルを評価し,それを3つの強いベースラインと比較した。 その結果, 注意機構の組み入れにより, 岩のような自然テクスチャを含むきめ細かい分類作業のモデル能力が著しく向上することが示唆された。

関連論文リスト

• Exploiting Edge Features for Transferable Adversarial Attacks in Distributed Machine Learning [54.26807397329468]
  この研究は、分散ディープラーニングシステムにおいて、これまで見過ごされていた脆弱性を探究する。 中間的特徴をインターセプトする敵は、依然として深刻な脅威となる可能性がある。 本稿では,分散環境に特化して設計されたエクスプロイト戦略を提案する。
  論文  参考訳（メタデータ） (2025-07-09T20:09:00Z)
• Automated Classification of Volcanic Earthquakes Using Transformer Encoders: Insights into Data Quality and Model Interpretability [0.0]
  より客観的かつ効率的な分類のために,トランスフォーマーエンコーダを用いたディープラーニングモデルを開発した。 浅間山の多様な地震活動に基づいて, 従来のCNN法よりも高いF1スコア(火山テクトニクス0.930, 低周波地震0.931, ノイズ0.980)を達成した。
  論文  参考訳（メタデータ） (2025-07-02T00:37:07Z)
• CI-RKM: A Class-Informed Approach to Robust Restricted Kernel Machines [0.0]
  制限されたカーネルマシン(RKM)はカーネルマシンファミリー内の汎用的で強力なフレームワークである。 本稿では,クラスインフォームド重み付き関数を統合することにより,RKMフレームワークの新たな拡張を提案する。 提案手法は,カーネルベースの学習モデルの開発において,大きな進歩をもたらす。
  論文  参考訳（メタデータ） (2025-04-12T11:12:30Z)
• FORCE: Feature-Oriented Representation with Clustering and Explanation [0.0]
  SHAPに基づく教師付きディープラーニングフレームワークForceを提案する。 ニューラルネットワークアーキテクチャにおけるSHAP値の2段階の使用に依存している。 我々はForceが潜在機能とアテンションフレームワークを組み込まないネットワークと比較して、全体的なパフォーマンスを劇的に改善したことを示す。
  論文  参考訳（メタデータ） (2025-04-07T22:05:50Z)
• Post-Hoc Robustness Enhancement in Graph Neural Networks with Conditional Random Fields [19.701706244728037]
  グラフニューラルネットワーク(GNN)は、敵の攻撃に弱いことが示されている。 本研究では,推論段階におけるGNNの堅牢性向上を目的としたポストホックアプローチであるRobustCRFを紹介する。
  論文  参考訳（メタデータ） (2024-11-08T08:26:42Z)
• Image Classification using Fuzzy Pooling in Convolutional Kolmogorov-Arnold Networks [0.0]
  我々は,コルモゴロフ・アルノルドネットワーク(KAN)分類ヘッドとファジィプールを畳み込みニューラルネットワーク(CNN)に統合するアプローチを提案する。 比較分析により,kan と Fuzzy Pooling による改良 CNN アーキテクチャは,従来のモデルと同等あるいは高い精度で実現可能であることが示された。
  論文  参考訳（メタデータ） (2024-07-23T08:18:04Z)
• Interpreting and Improving Attention From the Perspective of Large Kernel Convolution [51.06461246235176]
  本稿では,LKCA(Large Kernel Convolutional Attention)について紹介する。 LKCAは、特にデータ制約のある設定において、様々な視覚的タスク間での競合性能を達成する。
  論文  参考訳（メタデータ） (2024-01-11T08:40:35Z)
• Structure-Aware Feature Generation for Zero-Shot Learning [108.76968151682621]
  潜在空間と生成ネットワークの両方を学習する際の位相構造を考慮し,SA-GANと呼ばれる新しい構造認識特徴生成手法を提案する。 本手法は,未確認クラスの一般化能力を大幅に向上させ,分類性能を向上させる。
  論文  参考訳（メタデータ） (2021-08-16T11:52:08Z)
• How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
  バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。 その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
  論文  参考訳（メタデータ） (2021-07-26T09:38:28Z)
• A Trainable Optimal Transport Embedding for Feature Aggregation and its Relationship to Attention [96.77554122595578]
  固定サイズのパラメータ化表現を導入し、与えられた入力セットから、そのセットとトレーニング可能な参照の間の最適な輸送計画に従って要素を埋め込み、集約する。 我々のアプローチは大規模なデータセットにスケールし、参照のエンドツーエンドのトレーニングを可能にすると同時に、計算コストの少ない単純な教師なし学習メカニズムも提供する。
  論文  参考訳（メタデータ） (2020-06-22T08:35:58Z)
• Weakly Supervised Attention Pyramid Convolutional Neural Network for Fine-Grained Visual Classification [71.96618723152487]
  注意ピラミッド畳み込みニューラルネットワーク(AP-CNN)について紹介する。 AP-CNNは高レベルのセマンティックと低レベルの詳細な特徴表現の両方を学ぶ。 追加のバウンディングボックス/パートアノテーションを必要とせずに、エンドツーエンドでトレーニングすることができる。
  論文  参考訳（メタデータ） (2020-02-09T12:33:23Z)

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。