Fugu-MT 論文翻訳(概要): Chaotic CNN for Limited Data Image Classification

論文の概要: Chaotic CNN for Limited Data Image Classification

arxiv url: http://arxiv.org/abs/2604.14645v1
Date: Thu, 16 Apr 2026 05:50:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-04-17 21:29:31.745612
Title: Chaotic CNN for Limited Data Image Classification
Title（参考訳）: 限定データ画像分類のためのカオスCNN
Authors: Anusree M, Akhila Henry, Pramod P Nair,
Abstract要約: 畳み込みニューラルネットワーク(CNN)は、限られたトレーニングデータシナリオにおいて、低い一般化を示すことが多い。本研究では,モデル複雑性を増大させることなくCNN性能を向上させるために,シンプルで効果的なカオスベースの特徴変換を提案する。提案手法は計算効率が高く,追加のトレーニング可能なパラメータを必要としないため,既存のCNNアーキテクチャに容易に組み込むことができる。
参考スコア（独自算出の注目度）: 0.0
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Convolutional neural networks (CNNs) often exhibit poor generalisation in limited training data scenarios due to overfitting and insufficient feature diversity. In this work, a simple and effective chaos-based feature transformation is proposed to enhance CNN performance without increasing model complexity. The method applies nonlinear transformations using logistic, skew tent, and sine maps to normalised feature vectors before the classification layer, thereby reshaping the feature space and improving class separability. The approach is evaluated on greyscale datasets (MNIST and Fashion-MNIST) and an RGB dataset (CIFAR-10) using CNN architectures of varying depth under limited data conditions. The results show consistent improvement over the standalone (SA) CNN across all datasets. Notably, a maximum performance gain of 5.43% is achieved on MNIST using the skew tent map with a 3-layer CNN at 40 samples per class. A higher gain of 9.11% is observed on Fashion-MNIST using the sine map with a 3-layer CNN at 50 samples per class. Additionally, a strong gain of 7.47% is obtained on CIFAR-10 using the skew tent map at 200 samples per class. The consistent improvements across different chaotic maps indicate that the performance gain is driven by the shared nonlinear and dynamical properties of chaotic systems. The proposed method is computationally efficient, requires no additional trainable parameters, and can be easily integrated into existing CNN architectures, making it a practical solution for data-scarce image classification tasks.
Abstract（参考訳）: 畳み込みニューラルネットワーク(CNN)は、過度に適合し、機能の多様性が不十分なため、限られたトレーニングデータシナリオにおいて、低い一般化を示すことが多い。本研究では,モデル複雑性を増大させることなくCNN性能を向上させるために,シンプルで効果的なカオスベースの特徴変換を提案する。本手法は,ロジスティック,スキューテント,正弦写像を用いた非線形変換を,分類層前の正規化された特徴ベクトルに適用し,特徴空間を再構成し,クラス分離性を向上させる。この手法は、限られたデータ条件下での深さの異なるCNNアーキテクチャを用いて、グレースケールデータセット(MNISTとFashion-MNIST)とRGBデータセット(CIFAR-10)で評価される。その結果、すべてのデータセットでスタンドアロン(SA)CNNよりも一貫した改善が見られた。特に、クラス毎に40サンプルの3層CNNを備えたスキューテントマップを使用して、MNIST上で最大パフォーマンス5.43%向上する。 Fashion-MNISTでは、クラス毎に50サンプルの3層CNNを持つ正弦写像を用いて、9.11%の高利得が観測されている。さらに、CIFAR-10では1クラスあたり200サンプルのスキューテントマップを使用して7.47%の強い利得が得られる。異なるカオス写像間の一貫した改善は、性能ゲインがカオス系の共有非線形および動的性質によって駆動されることを示している。提案手法は計算効率が高く,トレーニング可能なパラメータを必要とせず,既存のCNNアーキテクチャに容易に統合できるため,データスカース画像分類タスクの実用的な解法である。

関連論文リスト

Performance Analysis of Image Classification on Bangladeshi Datasets [0.0]
畳み込みニューラルネットワーク(CNN)は画像分類タスクにおいて顕著な成功を収めている。本稿では、カスタム設計のCNNと、画像分類タスクに広く使われているディープラーニングアーキテクチャの比較分析を行う。
論文参考訳（メタデータ） (2026-01-07T21:15:16Z)
Building Efficient Lightweight CNN Models [0.0]
畳み込みニューラルネットワーク(CNN)は、その堅牢な特徴抽出能力のため、画像分類タスクにおいて重要である。本稿では,競争精度を維持しつつ軽量CNNを構築する手法を提案する。提案モデルは手書き文字MNISTで99%,ファッションMNISTで89%,パラメータは14,862,モデルサイズは0.17MBであった。
論文参考訳（メタデータ） (2025-01-26T14:39:01Z)
Model Parallel Training and Transfer Learning for Convolutional Neural Networks by Domain Decomposition [0.0]
ディープ畳み込みニューラルネットワーク(CNN)は、幅広い画像処理アプリケーションで非常に成功したことが示されている。モデルパラメータの増大と大量のトレーニングデータの増加により、複雑なCNNを効率的に訓練するための並列化戦略が必要である。
論文参考訳（メタデータ） (2024-08-26T17:35:01Z)
Hybrid CNN Bi-LSTM neural network for Hyperspectral image classification [1.2691047660244332]
本稿では,3次元CNN,2次元CNN,Bi-LSTMを組み合わせたニューラルネットワークを提案する。 99.83、99.98、100%の精度を達成でき、それぞれIP、PU、SAデータセットにおける最先端モデルのトレーニング可能なパラメータは30%に過ぎなかった。
論文参考訳（メタデータ） (2024-02-15T15:46:13Z)
A Novel Sleep Stage Classification Using CNN Generated by an Efficient Neural Architecture Search with a New Data Processing Trick [4.365107026636095]
本稿では,畳み込みニューラルネットワーク(CNN)を用いた新しいデータ処理手法を用いて,効率的な5ステップの分類手法を提案する。我々は、遺伝的アルゴリズム(GA)NASGを最大限に活用して、最高のCNNアーキテクチャを探索する。我々は,データ処理トリックの収束性を検証するとともに,従来のCNNの性能をそのトリックの前後で比較する。
論文参考訳（メタデータ） (2021-10-27T10:36:52Z)
The Mind's Eye: Visualizing Class-Agnostic Features of CNNs [92.39082696657874]
本稿では,特定のレイヤの最も情報性の高い特徴を表現した対応する画像を作成することにより,画像の集合を視覚的に解釈する手法を提案する。本手法では, 生成ネットワークを必要とせず, 元のモデルに変更を加えることなく, デュアルオブジェクトのアクティベーションと距離損失を利用する。
論文参考訳（メタデータ） (2021-01-29T07:46:39Z)
Fusion of CNNs and statistical indicators to improve image classification [65.51757376525798]
畳み込みネットワークは過去10年間、コンピュータビジョンの分野を支配してきた。この傾向を長引かせる主要な戦略は、ネットワーク規模の拡大によるものだ。我々は、異種情報ソースを追加することは、より大きなネットワークを構築するよりもCNNにとって費用対効果が高いと仮定している。
論文参考訳（メタデータ） (2020-12-20T23:24:31Z)
3D CNNs with Adaptive Temporal Feature Resolutions [83.43776851586351]
similarity Guided Sampling (SGS)モジュールは既存のCNNアーキテクチャにプラグインできる。 SGSは、時間的特徴の類似性を学び、類似した特徴をまとめることで、3D CNNに権限を与える。評価の結果,提案モジュールは精度を保ちながら計算コスト(GFLOP)を半分に減らし,最先端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） (2020-11-17T14:34:05Z)
ACDC: Weight Sharing in Atom-Coefficient Decomposed Convolution [57.635467829558664]
我々は,CNNにおいて,畳み込みカーネル間の構造正則化を導入する。我々はCNNがパラメータや計算量を劇的に減らして性能を維持していることを示す。
論文参考訳（メタデータ） (2020-09-04T20:41:47Z)
Curriculum By Smoothing [52.08553521577014]
畳み込みニューラルネットワーク(CNN)は、画像分類、検出、セグメンテーションなどのコンピュータビジョンタスクにおいて顕著な性能を示している。アンチエイリアスフィルタやローパスフィルタを用いてCNNの機能埋め込みを円滑化するエレガントなカリキュラムベースのスキームを提案する。トレーニング中に特徴マップ内の情報量が増加するにつれて、ネットワークはデータのより優れた表現を徐々に学習することができる。
論文参考訳（メタデータ） (2020-03-03T07:27:44Z)
Approximation and Non-parametric Estimation of ResNet-type Convolutional Neural Networks [52.972605601174955]
本稿では,ResNet型CNNが重要な関数クラスにおいて最小誤差率を達成可能であることを示す。 Barron と H'older のクラスに対する前述のタイプの CNN の近似と推定誤差率を導出する。
論文参考訳（メタデータ） (2019-03-24T19:42:39Z)

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。