Fugu-MT 論文翻訳(概要): ArcGate: Adaptive Arctangent Gated Activation

論文の概要: ArcGate: Adaptive Arctangent Gated Activation

arxiv url: http://arxiv.org/abs/2605.14518v1
Date: Thu, 14 May 2026 08:00:46 GMT
ステータス: 翻訳完了
システム内更新日: 2026-05-15 21:45:34.700114
Title: ArcGate: Adaptive Arctangent Gated Activation
Title（参考訳）: ArcGate: アダプティブなArctangent Gated Activation
Authors: Avik Bhattacharya, Siddhant Dnyanesh Gole, Subhasis Chaudhuri, Alejandro C. Frery, Biplab Banerjee,
Abstract要約: 本稿では,アクティベーション形状の広いスペクトルを生成するフレキシブルな定式化であるAdaptive Arctangent Gated Activation関数を提案する。我々は、PatternNet、UC Merced Land Use、13バンドのEuroSAT MSIマルチスペクトルデータセットの3つのリモートセンシングベンチマークでArcGateを評価した。
参考スコア（独自算出の注目度）: 62.5098969984518
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Activation functions are central to deep networks, influencing non-linearity, feature learning, convergence, and robustness. This paper proposes the Adaptive Arctangent Gated Activation (ArcGate) function, a flexible formulation that generates a broad spectrum of activation shapes via a three-stage non-linear transformation. Unlike conventional fixed-shape activations such as ReLU, GELU, or SiLU, ArcGate uses seven learnable parameters per layer, allowing the neural network to autonomously optimize its non-linearity to the specific requirements of the feature hierarchy and data distribution. We evaluate ArcGate using ResNet-50 and Vision Transformer (ViT-B/16) architectures on three widely used remote sensing benchmarks: PatternNet, UC Merced Land Use, and the 13-band EuroSAT MSI multispectral dataset. Experimental results show that ArcGate consistently outperforms standard baselines, achieving a peak overall accuracy of 99.67% on PatternNet. Most notably, ArcGate exhibits superior structural resilience in noisy environments, maintaining a 26.65% performance lead over ReLU under moderate Gaussian noise (standard deviation 0.1). Analysis of the learned parameters reveals a depth-dependent functional evolution, where the model increases gating strength in deeper layers to enhance signal propagation. These findings suggest that ArcGate is a robust and adaptive general node activation function for high-resolution earth observation tasks.
Abstract（参考訳）: 活性化関数は深いネットワークの中心であり、非線形性、特徴学習、収束、堅牢性に影響を与える。本稿では、3段階の非線形変換により活性化形状の広いスペクトルを生成するフレキシブルな定式化であるAdaptive Arctangent Gated Activation (ArcGate)関数を提案する。 ReLU、GELU、SiLUといった従来の固定形状のアクティベーションとは異なり、ArcGateはレイヤ毎に7つの学習可能なパラメータを使用しており、ニューラルネットワークは特徴階層とデータ分散の特定の要求に対して、その非線形性を自律的に最適化することができる。我々は、PatternNet、UC Merced Land Use、13バンドEuroSAT MSIマルチスペクトルデータセットという3つの広く使われているリモートセンシングベンチマーク上で、ResNet-50およびViT-B/16アーキテクチャを用いてArcGateを評価する。実験の結果、ArcGateは標準ベースラインを一貫して上回り、PatternNetで99.67%の精度を達成した。最も注目すべきは、ArcGateはノイズの多い環境において優れた構造的レジリエンスを示し、中程度のガウス雑音(標準偏差0.1)下では、ReLUよりも26.65%パフォーマンスのリードを維持していることである。学習パラメータの解析により,深度に依存した機能進化が明らかになり,より深い層におけるゲーティング強度が増大し,信号伝搬が促進される。これらの結果から,ArcGateは高分解能地球観測タスクにおいて,頑健かつ適応的な一般ノード活性化機能であることが示唆された。

関連論文リスト

Efficient Hybrid CNN-GNN Architecture for Monocular Depth Estimation [0.0]
畳み込みエンコーダ・デコーダフレームワークにグラフニューラルネットワーク(GNN)を統合する単眼深度推定アーキテクチャであるGraphDepthを提案する。我々のアプローチは、効率的なGraphSAGEレイヤをResNet-101 U-Netバックボーンの複数スケールに埋め込む。 NYU Depth V2、WHU Aerial、ETH3D、Mid-Airベンチマークの実験では、最先端のトランスフォーマーの4.6%で競合精度が示されている。
論文参考訳（メタデータ） (2026-05-11T09:21:04Z)
A Lightweight 3D Anomaly Detection Method with Rotationally Invariant Features [60.76577388438418]
3D異常検出(AD)は、ポイントクラウドデータから異常点や領域を特定することを目的として、コンピュータビジョンにおいて重要なタスクである。既存の手法は、方向と位置の変化を伴う点雲を扱う場合、結果として得られる特徴が著しく異なるため、課題に遭遇する可能性がある。本稿では、3次元ADのための新しい回転不変特徴量(RIF)フレームワークを提案し、各点を回転不変空間にマッピングして表現の整合性を維持する。
論文参考訳（メタデータ） (2025-11-17T08:16:05Z)
GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
論文参考訳（メタデータ） (2025-08-14T11:31:43Z)
3D Test-time Adaptation via Graph Spectral Driven Point Shift [19.664235213514743]
Graph Spectral Domain Test-Time Adaptation (GSDTTA)は、3Dポイントクラウド分類のための新しいアプローチである。これは、グラフスペクトル領域への適応をシフトさせ、より少ないパラメータでグローバルな構造特性をキャプチャすることで、より効率的な適応を可能にする。ベンチマークデータセットに対する実験結果とアブレーション研究により,GSDTTAの有効性が示された。
論文参考訳（メタデータ） (2025-07-24T09:18:39Z)
Pan-Arctic Permafrost Landform and Human-built Infrastructure Feature Detection with Vision Transformers and Location Embeddings [1.2895931807247418]
視覚変換器(ViT)は、注意機構を介して長距離依存関係とグローバルコンテキストをキャプチャする利点を提供する。 ViTは、自己教師付き学習による事前トレーニングをサポートし、北極の特徴検出におけるラベル付きデータの共通制限を補完する。本研究は,(1)高分解能北極リモートセンシングタスクのための特徴抽出器としての事前学習型ViTの適合性,(2)画像と位置情報の埋め込みの利点について検討する。
論文参考訳（メタデータ） (2025-06-03T13:34:01Z)
Bridging Simulation and Reality: A 3D Clustering-Based Deep Learning Model for UAV-Based RF Source Localization [0.0]
無人航空機(UAV)は、地上法よりもRFソースの局所化に大きな利点をもたらす。近年のディープラーニング(DL)の進歩は,特に屋外シナリオにおいて,局所化の精度をさらに高めた。本稿では、3Dクラスタリングに基づく特徴抽出をロバストなローカライゼーションに活用するDLベースの3DクラスタベースRealAdaptRNetを提案する。
論文参考訳（メタデータ） (2025-02-02T05:48:44Z)
ARC: A Generalist Graph Anomaly Detector with In-Context Learning [62.202323209244]
ARCは汎用的なGADアプローチであり、一対一のGADモデルで様々なグラフデータセットの異常を検出することができる。 ARCはコンテキスト内学習を備えており、ターゲットデータセットからデータセット固有のパターンを直接抽出することができる。各種領域からの複数のベンチマークデータセットに対する大規模な実験は、ARCの優れた異常検出性能、効率、一般化性を示す。
論文参考訳（メタデータ） (2024-05-27T02:42:33Z)
GANav: Group-wise Attention Network for Classifying Navigable Regions in Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。 RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文参考訳（メタデータ） (2021-03-07T02:16:24Z)
CFC-Net: A Critical Feature Capturing Network for Arbitrary-Oriented Object Detection in Remote Sensing Images [0.9462808515258465]
本稿では,物体検出における識別的特徴の役割について論じる。次に,検出精度を向上させるために,cfc-net (critical feature capture network) を提案する。本手法は多くの最先端手法と比較して優れた検出性能が得られることを示す。
論文参考訳（メタデータ） (2021-01-18T02:31:09Z)

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。