論文の概要: MFN Decomposition and Related Metrics for High-Resolution Range Profiles Generative Models

• arxiv url: http://arxiv.org/abs/2602.13296v1
• Date: Mon, 09 Feb 2026 09:40:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-17 14:17:27.828986
• Title: MFN Decomposition and Related Metrics for High-Resolution Range Profiles Generative Models
• Title（参考訳）: 高分解域プロファイル生成モデルのためのMFN分解と関連指標
• Authors: Edwyn Brient, Santiago Velasco-Forero, Rami Kassab,
• Abstract要約: レーダー自動目標認識(RATR)における高分解能レンジプロファイル(HRRP)データ この研究は、HRRPデータをマスク、特徴、ノイズの3つのコンポーネントに分解することに焦点を当てている。
• 参考スコア（独自算出の注目度）: 0.8857443660746979
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: High-resolution range profile (HRRP ) data are in vogue in radar automatic target recognition (RATR). With the interest in classifying models using HRRP, filling gaps in datasets using generative models has recently received promising contributions. Evaluating generated data is a challenging topic, even for explicit data like face images. However, the evaluation methods used in the state-ofthe-art of HRRP generation rely on classification models. Such models, called ''black-box'', do not allow either explainability on generated data or multi-level evaluation. This work focuses on decomposing HRRP data into three components: the mask, the features, and the noise. Using this decomposition, we propose two metrics based on the physical interpretation of those data. We take profit from an expensive dataset to evaluate our metrics on a challenging task and demonstrate the discriminative ability of those.
• Abstract（参考訳）: 高分解能レンジプロファイル(HRRP)データは、レーダー自動目標認識(RATR)において流行している。 HRRPを用いたモデルの分類に関心があるため、生成モデルを用いたデータセットのギャップを埋めることは最近、有望な貢献を受けている。 顔画像のような明示的なデータであっても、生成されたデータを評価することは難しいトピックだ。 しかし、HRRP 生成の最先端技術で用いられる評価手法は分類モデルに依存している。 このようなモデルは 'black-box' と呼ばれ、生成されたデータに対する説明可能性やマルチレベル評価を許可しない。 この研究は、HRRPデータをマスク、特徴、ノイズの3つのコンポーネントに分解することに焦点を当てている。 この分解法を用いて,これらのデータの物理的解釈に基づく2つのメトリクスを提案する。 高価なデータセットから利益を得て、挑戦的なタスクでメトリクスを評価し、それらの差別能力を実証します。

関連論文リスト

• A Non-Adversarial Approach to Idempotent Generative Modelling [25.110827996245565]
  Idempotent Generative Networks (IGN) は、局所データ多様体プロジェクタとしても機能する深層生成モデルである。 IGNは、モード崩壊、モード降下、目標によるトレーニング不安定に悩まされる。 これらの問題に対処するために、非逆等等化生成ネットワーク(NAIGN)を導入する。
  論文  参考訳（メタデータ） (2025-11-04T14:37:23Z)
• A Survey on Data Contamination for Large Language Models [12.431575579432458]
  大規模言語モデル(LLM)は、テキスト生成やコード合成など、様々な分野で大きな進歩を見せている。 データ汚染による性能評価の信頼性は精査されている。
  論文  参考訳（メタデータ） (2025-02-20T10:23:27Z)
• Measuring Feature Dependency of Neural Networks by Collapsing Feature Dimensions in the Data Manifold [18.64569268049846]
  ニューラルネットワークモデルの特徴依存性を測定するための新しい手法を提案する。 その動機は、人間が理解可能な機能から情報を使っているかどうかを問うことによって、モデルをよりよく理解することにある。 本手法は,合成画像データに基づいて学習した深層ニューラルネットワークモデルを用いて実験を行った。
  論文  参考訳（メタデータ） (2024-04-18T17:10:18Z)
• TRIAGE: Characterizing and auditing training data for improved regression [80.11415390605215]
  TRIAGEは回帰タスクに適した新しいデータキャラクタリゼーションフレームワークで、広範囲の回帰器と互換性がある。 TRIAGEは、共形予測分布を利用して、モデルに依存しないスコアリング方法、TRIAGEスコアを提供する。 TRIAGEの特徴は一貫性があり、複数の回帰設定においてデータの彫刻/フィルタリングによるパフォーマンス向上に有効であることを示す。
  論文  参考訳（メタデータ） (2023-10-29T10:31:59Z)
• Ref-Diff: Zero-shot Referring Image Segmentation with Generative Models [68.73086826874733]
  本稿では,画像分割を参照するための新しい参照拡散分割器(Referring Diffusional segmentor, Ref-Diff)を提案する。 提案生成器がなければ、生成モデルだけで既存のSOTAの弱教師付きモデルに匹敵する性能を達成できることを実証する。 このことは、生成モデルがこのタスクに有益であり、より優れたセグメンテーションを参照するために識別モデルを補完できることを示している。
  論文  参考訳（メタデータ） (2023-08-31T14:55:30Z)
• Benchmarking and Analyzing Generative Data for Visual Recognition [95.69499648941196]
  この研究は生成的画像の影響を深く掘り下げ、主に外部データを利用するパラダイムを比較する。 我々は、2548のカテゴリを持つ22のデータセットからなるベンチマークである textbfGenBench を考案し、様々な視覚的認識タスクにまたがる生成データを評価した。 我々の徹底的なベンチマークと分析は、将来の調査における重要な課題を特定しながら、視覚認識における生成データの約束をスポットライトで示している。
  論文  参考訳（メタデータ） (2023-07-25T17:59:59Z)
• GMValuator: Similarity-based Data Valuation for Generative Models [41.76259565672285]
  生成モデル評価器(GMValuator, Generative Model Valuator, GMValuator, GMValuator)は、画像生成タスクにデータバリュエーションを提供するための、トレーニング不要で、モデルに依存しない最初のアプローチである。 GMValuatorは、その有効性を示すために、ベンチマークと高解像度データセットで広範囲に評価されている。
  論文  参考訳（メタデータ） (2023-04-21T02:02:02Z)
• Learning Confident Classifiers in the Presence of Label Noise [5.551384206194696]
  本稿では,ノイズ観測のための確率論的モデルを提案し,信頼性の高い分類とセグメンテーションモデルの構築を可能にする。 実験により,本アルゴリズムは,検討された分類問題と分割問題に対して,最先端の解よりも優れていることが示された。
  論文  参考訳（メタデータ） (2023-01-02T04:27:25Z)
• Discover, Explanation, Improvement: An Automatic Slice Detection Framework for Natural Language Processing [72.14557106085284]
  スライス検出モデル(SDM)は、データポイントの低パフォーマンスなグループを自動的に識別する。 本稿では,NLPタスクの分類のための "Discover, Explain, improve (DEIM)" というベンチマークを提案する。 評価の結果,Edisaは情報的セマンティックな特徴を持つ誤り発生データポイントを正確に選択できることがわかった。
  論文  参考訳（メタデータ） (2022-11-08T19:00:00Z)
• Cluster-level pseudo-labelling for source-free cross-domain facial expression recognition [94.56304526014875]
  表情認識のためのSFUDA法を提案する。 本手法は,自己教師付き事前学習を利用して,対象データから優れた特徴表現を学習する。 提案手法の有効性を4つの適応方式で検証し,FERに適用した場合,既存のSFUDA法より一貫して優れていることを示す。
  論文  参考訳（メタデータ） (2022-10-11T08:24:50Z)
• CARLA-GeAR: a Dataset Generator for a Systematic Evaluation of Adversarial Robustness of Vision Models [61.68061613161187]
  本稿では,合成データセットの自動生成ツールであるCARLA-GeARについて述べる。 このツールは、Python APIを使用して、CARLAシミュレータ上に構築されており、自律運転のコンテキストにおいて、いくつかのビジョンタスク用のデータセットを生成することができる。 本稿では,CARLA-GeARで生成されたデータセットが,現実世界の敵防衛のベンチマークとして今後どのように利用されるかを示す。
  論文  参考訳（メタデータ） (2022-06-09T09:17:38Z)
• Model-based Clustering with Missing Not At Random Data [0.8777702580252754]
  我々は,MNARデータを含む,非常に一般的なタイプの欠落データを扱うために設計されたモデルベースのクラスタリングアルゴリズムを提案する。 いくつかのMNARモデルについて議論し、不足の原因は、欠落変数自体の値とクラスメンバーシップの両方に依存する。 MNARzと呼ばれる特定のMNARモデルに注目する。
  論文  参考訳（メタデータ） (2021-12-20T09:52:12Z)
• Robust Finite Mixture Regression for Heterogeneous Targets [70.19798470463378]
  本稿では,サンプルクラスタの探索と,複数の不完全な混合型ターゲットを同時にモデル化するFMRモデルを提案する。 我々は、高次元の学習フレームワークの下で、無症状のオラクルのパフォーマンス境界をモデルに提供します。 その結果,我々のモデルは最先端の性能を達成できることがわかった。
  論文  参考訳（メタデータ） (2020-10-12T03:27:07Z)

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。