Fugu-MT 論文翻訳(概要): S2P-Net: A Spectral-Spatial Polar Network for Rotation-Invariant Object Recognition in Low-Data Regimes

論文の概要: S2P-Net: A Spectral-Spatial Polar Network for Rotation-Invariant Object Recognition in Low-Data Regimes

arxiv url: http://arxiv.org/abs/2605.09667v1
Date: Sun, 10 May 2026 17:31:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-12 23:28:50.361216
Title: S2P-Net: A Spectral-Spatial Polar Network for Rotation-Invariant Object Recognition in Low-Data Regimes
Title（参考訳）: S2P-Net:ローデータレジームにおける回転不変物体認識のためのスペクトル空間極性ネットワーク
Authors: Albert Heruth,
Abstract要約: 本稿では,コンパクトなディープラーニングアーキテクチャであるS2P-Net(Spectral-Spatial Polar Network)を提案する。本稿では,他のニューラルネットワークアーキテクチャ(CNN)との比較を行った。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: We present S2P-Net (Spectral-Spatial Polar Network), a compact deep learning architecture that achieves mathematically guaranteed rotation invariance without data augmentation. In this Paper, we also made a comparison to other neural network architectures (CNN`s). Have a look at the results and feel free to contact me for any questions. This is my first paper:) Made by Hackbert
Abstract（参考訳）: S2P-Net(Spectral-Spatial Polar Network)は,データ拡張なしに数学的に保証された回転不変性を実現する,コンパクトなディープラーニングアーキテクチャである。本稿では,他のニューラルネットワークアーキテクチャ(CNN)との比較を行った。結果を見て、どんな質問でも自由に連絡をください。これが私の最初の論文です:) Hackbert作です。

関連論文リスト

Neural Networks Learn Generic Multi-Index Models Near Information-Theoretic Limit [66.20349460098275]
一般ガウス多次元モデル $f(boldsymbolx)=g(boldsymbolUboldsymbolx)$ の勾配降下学習を隠蔽部分空間 $boldsymbolUin mathbbRrtimes d$ で研究する。リンク関数上の一般的な非退化仮定の下では、層次勾配勾配勾配によって訓練された標準的な2層ニューラルネットワークは、$o_d(1)$テスト誤差でターゲットを不可知的に学習できることを示す。
論文参考訳（メタデータ） (2025-11-19T04:46:47Z)
Efficient and Equivariant Graph Networks for Predicting Quantum Hamiltonian [72.57870177599492]
本稿では,効率と等価性を実現するSE(3)-equivariant Network,QHNetを提案する。我々の重要な進歩はQHNetアーキテクチャの革新的な設計であり、基礎となる対称性に従うだけでなく、テンソル製品の数を92%削減できる。実験結果から,我々のQHNetは最先端の手法に匹敵する性能を極めて高速に達成できることが示された。
論文参考訳（メタデータ） (2023-06-08T03:47:33Z)
SVNet: Where SO(3) Equivariance Meets Binarization on Point Cloud Representation [65.4396959244269]
本論文は,3次元学習アーキテクチャを構築するための一般的なフレームワークを設計することによる課題に対処する。提案手法はPointNetやDGCNNといった一般的なバックボーンに適用できる。 ModelNet40、ShapeNet、および実世界のデータセットであるScanObjectNNの実験では、この手法が効率、回転、精度の間の大きなトレードオフを達成することを示した。
論文参考訳（メタデータ） (2022-09-13T12:12:19Z)
DreamNet: A Deep Riemannian Network based on SPD Manifold Learning for Visual Classification [36.848148506610364]
SPD行列学習のための新しいアーキテクチャを提案する。深層表現を豊かにするために、SPDNetをバックボーンとして採用する。次に、SRAEの表現能力を高めるために、ショートカット接続を持つ残余ブロックをいくつか挿入する。
論文参考訳（メタデータ） (2022-06-16T07:15:20Z)
RRL:Regional Rotation Layer in Convolutional Neural Networks [2.131909135487625]
畳み込みニューラルネットワーク(CNN)は、画像分類とオブジェクト検出において非常によく機能する。本稿では,既存のネットワークに挿入可能なモジュールを提案し,その回転不変性をCNNの特徴抽出層に直接組み込む。このモジュールには学習可能なパラメータがなく、モデルの複雑さを増すことはない。
論文参考訳（メタデータ） (2022-02-25T06:07:53Z)
Graph Neural Networks with Learnable Structural and Positional Representations [83.24058411666483]
任意のグラフの大きな問題は、ノードの標準位置情報の欠如である。ノードの位置ノード(PE)を導入し、Transformerのように入力層に注入する。両方のGNNクラスで学習可能なPEを考えると、分子データセットのパフォーマンスは2.87%から64.14%に向上する。
論文参考訳（メタデータ） (2021-10-15T05:59:15Z)
Relational Graph Convolutional Networks: A Closer Look [1.8428580623654864]
グラフ畳み込みネットワーク(RGCN)の再生について述べる。再現を用いて、モデルの背後にある直感を説明します。結果は,実装の正しさを実証的に検証した。
論文参考訳（メタデータ） (2021-07-21T11:25:11Z)
Recursively Refined R-CNN: Instance Segmentation with Self-RoI Rebalancing [2.4634850020708616]
本稿では,ループ機構を導入することで重複を回避するR-CNN(R3$-CNN)を提案する。実験では,重みのループ機構の特定のエンコーディングに注目し,推論時に使用する必要がある。このアーキテクチャは、最近提案されたHTCモデルを超えることができ、パラメータの数を著しく削減できる。
論文参考訳（メタデータ） (2021-04-03T07:25:33Z)
Learning N:M Fine-grained Structured Sparse Neural Networks From Scratch [75.69506249886622]
ディープニューラルネットワーク(DNN)におけるスパーシティは、資源制約された環境でモデルを圧縮し、加速するために広く研究されている。本稿では,N:M細粒構造スパースネットワークのスクラッチからトレーニングを初めて行う。
論文参考訳（メタデータ） (2021-02-08T05:55:47Z)
On the distance between two neural networks and the stability of learning [59.62047284234815]
本稿では, パラメータ距離と勾配分解を, 幅広い非線形構成関数のクラスに関連付ける。この分析により、ニューラルネットワークの深い相対信頼と降下補題と呼ばれる新しい距離関数が導かれる。
論文参考訳（メタデータ） (2020-02-09T19:18:39Z)

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。