Fugu-MT 論文翻訳(概要): DL-CapsNet: A Deep and Light Capsule Network

論文の概要: DL-CapsNet: A Deep and Light Capsule Network

arxiv url: http://arxiv.org/abs/2512.00061v1
Date: Sun, 23 Nov 2025 05:45:11 GMT
ステータス: 翻訳完了
システム内更新日: 2025-12-02 19:46:34.030789
Title: DL-CapsNet: A Deep and Light Capsule Network
Title（参考訳）: DL-CapsNet:Deep and Light Capsule Network
Authors: Pouya Shiri, Amirali Baniasadi,
Abstract要約: いくつかのカプセル層からなるCapsNetの深いバリエーションを提案する。 DL-CapsNetは非常に正確だが、少数のパラメータを使用し、より高速なトレーニングと推論を提供する。
参考スコア（独自算出の注目度）: 0.07161783472741746
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Capsule Network (CapsNet) is among the promising classifiers and a possible successor of the classifiers built based on Convolutional Neural Network (CNN). CapsNet is more accurate than CNNs in detecting images with overlapping categories and those with applied affine transformations. In this work, we propose a deep variant of CapsNet consisting of several capsule layers. In addition, we design the Capsule Summarization layer to reduce the complexity by reducing the number of parameters. DL-CapsNet, while being highly accurate, employs a small number of parameters and delivers faster training and inference. DL-CapsNet can process complex datasets with a high number of categories.
Abstract（参考訳）: Capsule Network(CapsNet)は、CNN(Convolutional Neural Network)に基づいて構築された、有望な分類器の1つである。 CapsNetは、重複するカテゴリと応用アフィン変換を持つイメージの検出において、CNNよりも正確である。本研究では,いくつかのカプセル層からなるCapsNetの深部変種を提案する。さらに,パラメータ数を減らして複雑性を低減するために,カプセル要約層を設計する。 DL-CapsNetは非常に正確だが、少数のパラメータを使用し、より高速なトレーニングと推論を提供する。 DL-CapsNetは、多数のカテゴリで複雑なデータセットを処理することができる。

関連論文リスト

Convolutional Fully-Connected Capsule Network (CFC-CapsNet): A Novel and Fast Capsule Network [0.07161783472741746]
本稿では,CapsNetの欠点を解決するために,Convolutional Fully-Connected Capsule Network (CFC-CapsNet)を紹介する。 CFC-CapsNetはより少ないがより強力なカプセルを生成し、ネットワークの精度が向上する。実験の結果,CFC-CapsNetは競争精度,トレーニング,推論の高速化を実現していることがわかった。
論文参考訳（メタデータ） (2025-11-06T19:27:15Z)
Quick-CapsNet (QCN): A fast alternative to Capsule Networks [0.06372261626436675]
我々はCapsNetの高速な代替手段としてQuick-CapsNet(QCN)を紹介した。 QCNは少ない数のカプセルを生産し、ネットワークを高速化する。 MNIST、F-MNIST、SVHN、Cifar-10データセットでは推論が5倍高速である。
論文参考訳（メタデータ） (2025-10-08T22:41:28Z)
RobCaps: Evaluating the Robustness of Capsule Networks against Affine Transformations and Adversarial Attacks [11.302789770501303]
Capsule Networks(CapsNets)は、画像分類タスクのための複数のオブジェクト間のポーズ関係を階層的に保存することができる。本稿では、従来のコナールニューラルネットワーク(CNN)と比較して、CapsNetsの堅牢性に影響を与えるさまざまな要因を評価する。
論文参考訳（メタデータ） (2023-04-08T09:58:35Z)
ASPCNet: A Deep Adaptive Spatial Pattern Capsule Network for Hyperspectral Image Classification [47.541691093680406]
本稿では,適応型空間パターンカプセルネットワーク(ASPCNet)アーキテクチャを提案する。拡大された受容体に基づいて畳み込み核のサンプリング位置を回転させることができる。 3つの公開データセットの実験は、ASPCNetが最先端の方法よりも高い精度で競争力を発揮することを示しています。
論文参考訳（メタデータ） (2021-04-25T07:10:55Z)
Scalable Visual Transformers with Hierarchical Pooling [61.05787583247392]
本稿では,視覚的トークンを徐々にプールしてシーケンス長を縮小する階層的ビジュアルトランスフォーマ(hvt)を提案する。計算の複雑さを増すことなく、深さ/幅/解像度/パッチサイズの寸法をスケールすることで、大きなメリットをもたらします。当社のHVTはImageNetとCIFAR-100データセットの競合ベースラインを上回っています。
論文参考訳（メタデータ） (2021-03-19T03:55:58Z)
Interpretable Graph Capsule Networks for Object Recognition [17.62514568986647]
我々は,グラフカプセルネットワーク(GraCapsNets)を解釈可能とし,ルーティング部分をマルチヘッドアテンションベースのグラフポーリングアプローチで置き換える。 GraCapsNetsは、CapsNetsと比較して、より少ないパラメータとより良い逆の堅牢性で、より良い分類性能を達成する。
論文参考訳（メタデータ） (2020-12-03T03:18:00Z)
Dynamic Graph: Learning Instance-aware Connectivity for Neural Networks [78.65792427542672]
動的グラフネットワーク(DG-Net)は完全な有向非巡回グラフであり、ノードは畳み込みブロックを表し、エッジは接続経路を表す。ネットワークの同じパスを使用する代わりに、DG-Netは各ノードの機能を動的に集約する。
論文参考訳（メタデータ） (2020-10-02T16:50:26Z)
PSConv: Squeezing Feature Pyramid into One Compact Poly-Scale Convolutional Layer [76.44375136492827]
畳み込みニューラルネットワーク(CNN)は、しばしばスケールに敏感である。我々は、この後悔を、より細かい粒度でマルチスケールの機能を利用して埋める。提案した畳み込み演算は、PSConv(Poly-Scale Convolution)と呼ばれ、拡張率のスペクトルを混合する。
論文参考訳（メタデータ） (2020-07-13T05:14:11Z)
Subspace Capsule Network [85.69796543499021]
SubSpace Capsule Network (SCN) はカプセルネットワークのアイデアを利用して、エンティティの外観や暗黙的に定義された特性のバリエーションをモデル化する。 SCNは、テスト期間中にCNNと比較して計算オーバーヘッドを発生させることなく、識別モデルと生成モデルの両方に適用することができる。
論文参考訳（メタデータ） (2020-02-07T17:51:56Z)
Convolutional Networks with Dense Connectivity [59.30634544498946]
Dense Convolutional Network (DenseNet)を導入し、フィードフォワード方式で各レイヤを他のすべてのレイヤに接続する。各レイヤについて、先行するすべてのレイヤのフィーチャーマップをインプットとして使用し、それ自身のフィーチャーマップをその後のすべてのレイヤへのインプットとして使用します。提案したアーキテクチャを、4つの高度に競争力のあるオブジェクト認識ベンチマークタスクで評価する。
論文参考訳（メタデータ） (2020-01-08T06:54:53Z)

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。