Fugu-MT 論文翻訳(概要): Reliable Deep Learning for Small-Scale Classifications: Experiments on Real-World Image Datasets from Bangladesh

論文の概要: Reliable Deep Learning for Small-Scale Classifications: Experiments on Real-World Image Datasets from Bangladesh

arxiv url: http://arxiv.org/abs/2601.11911v1
Date: Sat, 17 Jan 2026 05:15:22 GMT
ステータス: 翻訳完了
システム内更新日: 2026-01-21 22:47:22.372223
Title: Reliable Deep Learning for Small-Scale Classifications: Experiments on Real-World Image Datasets from Bangladesh
Title（参考訳）: 小規模分類のための信頼性の高いディープラーニング:バングラデシュのリアルタイム画像データセットの実験
Authors: Muhammad Ibrahim, Alfe Suny, MD Sakib Ul Islam, Md. Imran Hossain,
Abstract要約: バングラデシュで公開されている5つの実世界の画像データセットを対象に,コンパクトなCNNを評価した。ネットワークは高い分類精度、効率的な収束、計算オーバーヘッドの低いことを示す。
参考スコア（独自算出の注目度）: 1.0639605996067536
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Convolutional neural networks (CNNs) have achieved state-of-the-art performance in image recognition tasks but often involve complex architectures that may overfit on small datasets. In this study, we evaluate a compact CNN across five publicly available, real-world image datasets from Bangladesh, including urban encroachment, vehicle detection, road damage, and agricultural crops. The network demonstrates high classification accuracy, efficient convergence, and low computational overhead. Quantitative metrics and saliency analyses indicate that the model effectively captures discriminative features and generalizes robustly across diverse scenarios, highlighting the suitability of streamlined CNN architectures for small-class image classification tasks.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、画像認識タスクにおいて最先端のパフォーマンスを達成したが、しばしば小さなデータセットに過度に適合する複雑なアーキテクチャを含んでいる。本研究では,バングラデシュで公開されている5つの実世界の画像データセットを対象とした,コンパクトなCNNの評価を行った。ネットワークは高い分類精度、効率的な収束、計算オーバーヘッドの低いことを示す。定量的メトリクスと相性分析は、このモデルが識別的特徴を効果的に捉え、様々なシナリオにまたがって堅牢に一般化し、小型画像分類タスクにおける合理化されたCNNアーキテクチャの適合性を強調していることを示している。

関連論文リスト

Training a Custom CNN on Five Heterogeneous Image Datasets [1.4583375893645076]
本研究では,農業・都市領域にまたがる5つのデータセットを対象としたCNNアーキテクチャの有効性について検討した。これらのデータセットには、照明の差、解像度、環境の複雑さ、クラス不均衡など、さまざまな課題が導入されている。我々は、ResNet-18やVGG-16など、確立したディープアーキテクチャとともに、軽量でタスク固有のカスタムCNNを評価し、スクラッチとトランスファーラーニングの両方を用いて訓練した。
論文参考訳（メタデータ） (2026-01-08T08:44:17Z)
Evaluation of Convolutional Neural Network For Image Classification with Agricultural and Urban Datasets [0.0]
カスタム畳み込みニューラルネットワーク(CustomCNN)は、アーキテクチャ設計の選択がマルチドメイン画像分類タスクにどのように影響するかを研究するために作成される。モデルはトレーニングされ、5つの公開データセットでテストされる。一般的なCNNアーキテクチャと比較すると、CustomCNNは計算効率を保ちながら競争力のある性能を提供する。
論文参考訳（メタデータ） (2026-01-04T06:09:49Z)
Evolving CNN Architectures: From Custom Designs to Deep Residual Models for Diverse Image Classification and Detection Tasks [0.9023847175654603]
本稿では,CNNモデルに対するカスタム畳み込みニューラルネットワーク(CNN)アーキテクチャの比較検討を行った。データセットはバイナリ分類、きめ細かいマルチクラス認識、オブジェクト検出シナリオにまたがる。本稿では,ネットワーク深度,残差接続,特徴抽出戦略,影響分類,ローカライゼーション性能などのアーキテクチャ要因について分析する。
論文参考訳（メタデータ） (2026-01-03T07:45:08Z)
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)
Deep Domain Adaptation: A Sim2Real Neural Approach for Improving Eye-Tracking Systems [80.62854148838359]
眼球画像のセグメンテーションは、最終視線推定に大きな影響を及ぼす眼球追跡の重要なステップである。対象視線画像と合成訓練データとの重なり合いを測定するために,次元還元法を用いている。提案手法は,シミュレーションと実世界のデータサンプルの相違に対処する際の頑健で,性能が向上する。
論文参考訳（メタデータ） (2024-03-23T22:32:06Z)
CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
論文参考訳（メタデータ） (2023-05-01T23:11:18Z)
SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文参考訳（メタデータ） (2022-05-31T15:55:37Z)
Digital Fingerprinting of Microstructures [44.139970905896504]
微細な情報をフィンガープリントする効率的な方法を見つけることは、データ中心の機械学習アプローチを活用するための重要なステップである。本稿では,マイクロ構造を分類し,その特徴を機械学習タスクに応用する。特に、ImageNetデータセットで事前訓練された畳み込みニューラルネットワーク(CNN)によるトランスファーラーニングを利用するメソッドは、他の方法よりも優れていることが一般的に示されている。
論文参考訳（メタデータ） (2022-03-25T15:40:44Z)
On the Effectiveness of Neural Ensembles for Image Classification with Small Datasets [2.3478438171452014]
本稿では,クラスごとのラベル付き例数件による画像分類問題に着目し,比較的小さなネットワークのアンサンブルを用いてデータ効率を向上させる。比較的浅いネットワークをアンサンブルすることは、小さなデータセットから学ぶための現在の最先端のアプローチよりも一般的に優れている、単純だが効果的な手法であることを示す。
論文参考訳（メタデータ） (2021-11-29T12:34:49Z)
Region Comparison Network for Interpretable Few-shot Image Classification [97.97902360117368]
新しいクラスのモデルをトレーニングするために、ラベル付きサンプルの限られた数だけを効果的に活用するための画像分類が提案されている。本研究では,領域比較ネットワーク (RCN) と呼ばれる距離学習に基づく手法を提案する。また,タスクのレベルからカテゴリへの解釈可能性の一般化も提案する。
論文参考訳（メタデータ） (2020-09-08T07:29:05Z)

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。