論文の概要: Learning Entropy and Spatial Adaptation Dynamics of Multilayer Perceptrons for Structural Point Extraction

• arxiv url: http://arxiv.org/abs/2606.10170v1
• Date: Mon, 08 Jun 2026 21:05:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.190535
• Title: Learning Entropy and Spatial Adaptation Dynamics of Multilayer Perceptrons for Structural Point Extraction
• Title（参考訳）: 構造点抽出のための多層受容器の学習エントロピーと空間適応ダイナミクス
• Authors: Jan Glaser, Ivo Bukovsky, Marcel Jirina,
• Abstract要約: 本稿では,学習エントロピー(LE)の概念を時間適応システムから多層空間ネットワーク(MLP)における空間学習へ拡張する。 中心画素の強度を周囲の空間的文脈から予測するために訓練され、LEは画像由来のサンプルの学習中に神経重みの漸進的適応から評価される。 空間学習エントロピーマップ(SLEM)は、ニューラルネットワークの強い適応を誘発する異常なイメージポイントや領域を特定し、学習プロセスにおいて重要な役割を果たす。
• 参考スコア（独自算出の注目度）: 1.4681690787310104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper extends the concept of Learning Entropy (LE) from temporal adaptive systems to spatial learning in multilayer perceptron networks (MLPs) applied to image data. Instead of evaluating image structure directly from gradients or covariance operators, as local neighborhood methods do, the proposed approach analyzes the learning process itself through Learning Entropy. An MLP is trained to predict the intensity of a center pixel from its surrounding spatial context, while LE is evaluated from the incremental adaptation of neural weights during learning across image-derived samples. The resulting Spatial Learning Entropy Maps (SLEM) identify unusual image points and regions that induce strong adaptation of the neural network and therefore have an important role in the learning process. The results indicate that spatial Learning Entropy provides a complementary perspective to conventional feature extraction and explainability methods by highlighting spatial locations that are particularly informative for network learning. Spatial Learning Entropy provides a complementary perspective to conventional feature extraction and explainability methods by identifying image points and regions according to their learning impact rather than their local structural properties. The proposed framework may open new directions for learning-driven image or scene analysis in computer vision, manufacturing, and robotics.
• Abstract（参考訳）: 本稿では、画像データに適用された多層パーセプトロンネットワーク(MLP)における学習エントロピー(LE)の概念を時間適応システムから空間学習へ拡張する。 局所近所の手法のように勾配や共分散演算子から直接画像構造を評価する代わりに,学習エントロピーを用いて学習過程を解析する。 MLPは周囲の空間的文脈から中心画素の強度を予測するために訓練され、LEは画像由来のサンプルの学習中に神経重みの漸進的適応から評価される。 結果として得られた空間学習エントロピーマップ(SLEM)は、ニューラルネットワークの強い適応を誘発する異常なイメージポイントや領域を特定し、学習プロセスにおいて重要な役割を果たす。 その結果,空間学習のエントロピーは,特にネットワーク学習に有用な空間的位置を強調することで,従来の特徴抽出法と説明可能性法とを補完する視点を提供することが示された。 空間学習エントロピーは,従来の特徴抽出法と説明可能性法の相補的な視点を提供する。 提案したフレームワークは、コンピュータビジョン、製造、ロボット工学における学習駆動画像やシーン分析のための新しい方向を開くことができる。

関連論文リスト

• Combi-CAM: A Novel Multi-Layer Approach for Explainable Image Geolocalization [0.5461938536945722]
  我々は,CNNに基づくジオローカライゼーションモデルの説明可能性を高める新しい手法であるCombi-CAMを提案する。 このアプローチは、異なる画像特徴がモデルの判断にどのように貢献するかについて、より詳細な理解を提供する。
  論文  参考訳（メタデータ） (2026-03-25T09:29:02Z)
• A Physics-Inspired Deep Learning Framework with Polar Coordinate Attention for Ptychographic Imaging [8.436077464774755]
  Ptychography Imagingは、回折パターンからの位相検索にディープラーニングを適用する際に、固有の課題に直面している。 本稿では,Pola Coordinate Attention (PoCA) を用いた物理に着想を得た深層学習ネットワークPPNについて述べる。
  論文  参考訳（メタデータ） (2024-11-25T06:49:59Z)
• Supervised Learning without Backpropagation using Spike-Timing-Dependent Plasticity for Image Recognition [3.087000217989688]
  本研究では,従来のバックプロパゲーションに依存しないスパイクニューラルネットワークのための新しい教師あり学習手法を提案する。 代わりに、画像認識タスクの教師付きフレームワーク内にスパイクタイピング依存の塑性(STDP)を採用している。
  論文  参考訳（メタデータ） (2024-10-21T21:32:17Z)
• Masked Contrastive Graph Representation Learning for Age Estimation [44.96502862249276]
  本稿では,画像冗長性情報を扱う上で,グラフ表現学習の特性を利用する。 年齢推定のためのMasked Contrastive Graph Representation Learning (MCGRL)法を提案する。 実世界の顔画像データセットに対する実験結果から,提案手法が他の最先端の年齢推定手法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） (2023-06-16T15:53:21Z)
• Reparameterization through Spatial Gradient Scaling [69.27487006953852]
  リパラメータ化は、学習中に畳み込み層を等価なマルチブランチ構造に変換することによって、ディープニューラルネットワークの一般化を改善することを目的としている。 本稿では,畳み込みネットワークにおける重み間の学習焦点を再分配する空間勾配スケーリング手法を提案する。
  論文  参考訳（メタデータ） (2023-03-05T17:57:33Z)
• Shap-CAM: Visual Explanations for Convolutional Neural Networks based on Shapley Value [86.69600830581912]
  クラスアクティベーションマッピングに基づくShap-CAMと呼ばれる新しい視覚的説明法を開発した。 我々は,Shap-CAMが意思決定プロセスの解釈において,より良い視覚的性能と公平性を実現することを実証した。
  論文  参考訳（メタデータ） (2022-08-07T00:59:23Z)
• Inducing Gaussian Process Networks [80.40892394020797]
  本稿では,特徴空間と誘導点を同時に学習するシンプルなフレームワークであるGaussian Process Network (IGN)を提案する。 特に誘導点は特徴空間で直接学習され、複雑な構造化領域のシームレスな表現を可能にする。 実世界のデータセットに対する実験結果から,IGNは最先端の手法よりも大幅に進歩していることを示す。
  論文  参考訳（メタデータ） (2022-04-21T05:27:09Z)
• Fusing the Old with the New: Learning Relative Camera Pose with Geometry-Guided Uncertainty [91.0564497403256]
  本稿では,ネットワークトレーニング中の2つの予測系間の確率的融合を含む新しい枠組みを提案する。 本ネットワークは,異なる対応間の強い相互作用を強制することにより学習を駆動する自己追跡グラフニューラルネットワークを特徴とする。 学習に適したモーションパーマリゼーションを提案し、難易度の高いDeMoNおよびScanNetデータセットで最新のパフォーマンスを達成できることを示します。
  論文  参考訳（メタデータ） (2021-04-16T17:59:06Z)
• Model-inspired Deep Learning for Light-Field Microscopy with Application to Neuron Localization [27.247818386065894]
  光フィールド顕微鏡画像を用いた高速かつ堅牢なソースの3Dローカリゼーションを実現するモデルに基づくディープラーニング手法を提案する。 これは畳み込みスパース符号化問題を効率的に解くディープネットワークを開発することによって実現される。 光場からのほ乳類ニューロンの局在化実験により,提案手法が性能,解釈性,効率の向上をもたらすことが示された。
  論文  参考訳（メタデータ） (2021-03-10T16:24:47Z)

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。