論文の概要: Deep Edge Filter: Return of the Human-Crafted Layer in Deep Learning

• arxiv url: http://arxiv.org/abs/2510.13865v1
• Date: Mon, 13 Oct 2025 07:56:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-17 21:15:14.493039
• Title: Deep Edge Filter: Return of the Human-Crafted Layer in Deep Learning
• Title（参考訳）: Deep Edge Filter: ディープラーニングにおけるヒューマン・クラフト・レイヤの返却
• Authors: Dongkwan Lee, Junhoo Lee, Nojun Kwak,
• Abstract要約: 我々は、モデル一般化性を改善するために、ディープニューラルネットワーク機能にハイパスフィルタを適用する新しいアプローチであるディープエッジフィルタを導入する。 Vision、Text、3D、Audioといったさまざまなドメインにわたる実験結果は、一貫したパフォーマンス改善を示している。
• 参考スコア（独自算出の注目度）: 34.565995314547415
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: We introduce the Deep Edge Filter, a novel approach that applies high-pass filtering to deep neural network features to improve model generalizability. Our method is motivated by our hypothesis that neural networks encode task-relevant semantic information in high-frequency components while storing domain-specific biases in low-frequency components of deep features. By subtracting low-pass filtered outputs from original features, our approach isolates generalizable representations while preserving architectural integrity. Experimental results across diverse domains such as Vision, Text, 3D, and Audio demonstrate consistent performance improvements regardless of model architecture and data modality. Analysis reveals that our method induces feature sparsification and effectively isolates high-frequency components, providing empirical validation of our core hypothesis. The code is available at https://github.com/dongkwani/DeepEdgeFilter.
• Abstract（参考訳）: 我々は、モデル一般化性を改善するために、ディープニューラルネットワーク機能にハイパスフィルタを適用する新しいアプローチであるディープエッジフィルタを導入する。 提案手法は,ニューラルネットワークが高周波数成分のタスク関連意味情報を符号化し,低周波数成分の低周波数成分のドメイン固有バイアスを記憶する,という仮説に動機付けられている。 元の特徴から低域フィルタ出力を減じることで,アーキテクチャの整合性を保ちながら一般化可能な表現を分離する。 Vision、Text、3D、Audioといったさまざまな領域にわたる実験結果は、モデルアーキテクチャやデータモダリティに関わらず、一貫したパフォーマンス向上を示す。 解析の結果,提案手法は特徴分散を誘導し,高周波数成分を効果的に分離し,コア仮説の実証的検証を可能にすることがわかった。 コードはhttps://github.com/dongkwani/DeepEdgeFilter.comで公開されている。

関連論文リスト

• Towards More General Video-based Deepfake Detection through Facial Component Guided Adaptation for Foundation Model [16.69101880602321]
  一般化ビデオに基づくDeepfake検出のためのサイドネットワークベースのデコーダを提案する。 また、空間学習の一般化性を高めるために、FCG(Facial Component Guidance)を導入する。 提案手法は,Deepfakeデータセットに挑戦する上で有望な一般化性を示す。
  論文  参考訳（メタデータ） (2024-04-08T14:58:52Z)
• Deep networks for system identification: a Survey [56.34005280792013]
  システム識別は、入力出力データから動的システムの数学的記述を学習する。 同定されたモデルの主な目的は、以前の観測から新しいデータを予測することである。 我々は、フィードフォワード、畳み込み、リカレントネットワークなどの文献で一般的に採用されているアーキテクチャについて論じる。
  論文  参考訳（メタデータ） (2023-01-30T12:38:31Z)
• DARF: Depth-Aware Generalizable Neural Radiance Field [51.29437249009986]
  本稿では,Depth-Aware Dynamic Smpling(DADS)戦略を用いたDARF(Depth-Aware Generalizable Neural Radiance Field)を提案する。 筆者らのフレームワークは,数枚の入力画像で,画素レベルと幾何学レベルの両方の見えないシーンを推測する。 DARFは、最先端の一般化可能なNeRF法と比較して、レンダリング品質と深さ推定を改善しつつ、サンプルを50%削減する。
  論文  参考訳（メタデータ） (2022-12-05T14:00:59Z)
• Feature Space Particle Inference for Neural Network Ensembles [13.392254060510666]
  粒子ベースの推論法はベイズの観点から有望なアプローチを提供する。 特定の中間層が活性化される特徴空間における粒子の最適化を提案する。 提案手法は,各メンバーに対して,アンサンブル予測の堅牢性の向上を期待する特徴を捉えることを奨励する。
  論文  参考訳（メタデータ） (2022-06-02T09:16:26Z)
• Optimization-Based Separations for Neural Networks [57.875347246373956]
  本研究では,2層のシグモダルアクティベーションを持つディープ2ニューラルネットワークを用いて,ボールインジケータ関数を効率よく学習できることを示す。 これは最適化に基づく最初の分離結果であり、より強力なアーキテクチャの近似の利点は、実際に確実に現れる。
  論文  参考訳（メタデータ） (2021-12-04T18:07:47Z)
• Learnable Multi-level Frequency Decomposition and Hierarchical Attention Mechanism for Generalized Face Presentation Attack Detection [7.324459578044212]
  顔提示攻撃検知(PAD)は多くの注目を集めており、顔認識システムを保護する上で重要な役割を果たしている。 両ストリーム畳み込みニューラルネットワーク(CNN)フレームワークを提案する。 ステップワイドアブレーション研究において提案したPAD法の設計を実証した。
  論文  参考訳（メタデータ） (2021-09-16T13:06:43Z)
• Attentional Local Contrast Networks for Infrared Small Target Detection [15.882749652217653]
  赤外線小目標検出のための新しいモデル駆動深層ネットワークを提案する。 従来の局所コントラスト測定法を、エンドツーエンドネットワークにおける深さ自在なパラメータレス非線形特徴精製層としてモジュール化します。 ネットワークアーキテクチャの各コンポーネントの有効性と効率を実証的に検証するために,ネットワーク奥行きの異なる詳細なアブレーション研究を行う。
  論文  参考訳（メタデータ） (2020-12-15T19:33:09Z)
• iffDetector: Inference-aware Feature Filtering for Object Detection [70.8678270164057]
  Inference-aware Feature Filtering (IFF)モジュールを導入し、現代の検出器と簡単に組み合わせることができる。 IFFは、畳み込み機能を強化するためにハイレベルなセマンティクスを活用することでクローズドループ最適化を行う。 IFFはCNNベースの物体検出器とプラグアンドプレイ方式で融合でき、計算コストのオーバーヘッドは無視できる。
  論文  参考訳（メタデータ） (2020-06-23T02:57:29Z)
• Beyond Dropout: Feature Map Distortion to Regularize Deep Neural Networks [107.77595511218429]
  本稿では,ディープニューラルネットワークの中間層に関連する実験的なRademacher複雑性について検討する。 上記の問題に対処するための特徴歪み法(Disout)を提案する。 より高い試験性能を有するディープニューラルネットワークを作製するための特徴写像歪みの優位性を解析し、実証した。
  論文  参考訳（メタデータ） (2020-02-23T13:59:13Z)
• Depthwise Non-local Module for Fast Salient Object Detection Using a Single Thread [136.2224792151324]
  本稿では,高速な物体検出のための新しいディープラーニングアルゴリズムを提案する。 提案アルゴリズムは,1つのCPUスレッドと同時に,競合精度と高い推論効率を実現する。
  論文  参考訳（メタデータ） (2020-01-22T15:23:48Z)

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。