Fugu-MT 論文翻訳(概要): ERN-Net : Evolving Reason Node-Net for Document Binarization

論文の概要: ERN-Net : Evolving Reason Node-Net for Document Binarization

arxiv url: http://arxiv.org/abs/2606.11710v1
Date: Wed, 10 Jun 2026 06:36:14 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-11 16:42:38.32754
Title: ERN-Net : Evolving Reason Node-Net for Document Binarization
Title（参考訳）: ERN-Net : 文書二元化のためのReason Node-Netの進化
Authors: Hsin-Jui Pan, Sheng-Wei Chan, Jen-Shiung Chiang,
Abstract要約: ERN-Netは、かすかなストローク、壊れた文字、騒々しい背景など、劣化に敏感な領域を強化する。 ERN-Netは低データおよび低メモリ設定で有効である。
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: This paper presents ERN-Net, an Evolving Reason Node-Net for efficient document image binarization. ERN-Net enhances degradation-sensitive regions, such as faint strokes, broken characters, and noisy backgrounds, through evolving reason nodes and multi-scale reasoning. We further compare ResNet-101, ConvNeXt-Tiny, and ConvNeXt-Base, and find that ConvNeXt-Tiny provides the best practical trade-off between accuracy and memory usage. In addition, DIBCO-based pretraining improves binarization performance without increasing model memory consumption, requiring only about 1.5 additional training hours. Experiments on DIBCO-style benchmarks show that ERN-Net is effective under low-data and low-memory settings.
Abstract（参考訳）: 本稿では,効率的な文書画像バイナライゼーションのためのEvolving Reason Node-NetであるERN-Netを提案する。 ERN-Netは、進化する理由ノードとマルチスケールの推論を通じて、暗黙のストローク、壊れた文字、ノイズの多い背景などの劣化に敏感な領域を強化する。さらに、ResNet-101、ConvNeXt-Tiny、ConvNeXt-Baseを比較し、ConvNeXt-Tinyが精度とメモリ使用率の最良のトレードオフを提供します。さらに、DIBCOベースの事前トレーニングは、モデルメモリ消費を増加させることなく、バイナライズ性能を向上する。 DIBCOスタイルのベンチマークの実験では、ERN-Netは低データおよび低メモリ設定で有効であることが示されている。

関連論文リスト

Federated Learning of Binary Neural Networks: Enabling Low-Cost Inference [12.80019265228651]
Federated Learning (FL)は、デバイス間でトレーニングを分散することで、プライバシを保存する。従来のトレーニング後のバイナライゼーションはモデルのサイズを小さくするが、量子化エラーによる精度の低下に悩まされる。我々は、ローテーション対応のバイナリニューラルネットワークフレームワークであるFedBNNを提案し、ローカルトレーニング中にバイナリ表現を直接学習する。
論文参考訳（メタデータ） (2026-03-16T16:35:01Z)
Sparse-BitNet: 1.58-bit LLMs are Naturally Friendly to Semi-Structured Sparsity [100.07626315557599]
我々は1.58ビットビットネットが完全精度モデルよりも自然にN:M空間と互換性があることを示した。我々は1.58ビット量子化と動的N:Mスペーサー化を併用した統合フレームワークであるSparse-BitNetを提案する。
論文参考訳（メタデータ） (2026-03-05T13:37:50Z)
ReActXGB: A Hybrid Binary Convolutional Neural Network Architecture for Improved Performance and Computational Efficiency [0.0]
我々はReActXGBというハイブリッドモデルを提案し、ReActNet-Aの完全な畳み込み層をXGBoostに置き換える。この修正の目的は、より低い計算コストを維持しながら、BCNNと実数値ネットワークのパフォーマンスギャップを狭めることである。
論文参考訳（メタデータ） (2024-05-11T16:38:50Z)
Compacting Binary Neural Networks by Sparse Kernel Selection [58.84313343190488]
本稿は,BNNにおけるバイナリカーネルの分散化がほぼ不可能であることを示すものである。我々は、選択過程をエンドツーエンドに最適化するだけでなく、選択したコードワードの非反復的占有を維持できる置換ストレートスルー推定器(PSTE)を開発した。実験により,提案手法はモデルサイズとビット幅の計算コストの両方を削減し,同等の予算下での最先端のBNNと比較して精度の向上を実現する。
論文参考訳（メタデータ） (2023-03-25T13:53:02Z)
MogaNet: Multi-order Gated Aggregation Network [61.842116053929736]
我々は,識別的視覚的表現学習のために,MogaNetと呼ばれる現代ConvNetの新たなファミリーを提案する。 MogaNetは概念的に単純だが効果的な畳み込みをカプセル化し、集約をコンパクトモジュールに集約する。 MogaNetは、ImageNetの最先端のViTやConvNetと比較して、優れたスケーラビリティ、パラメータの大幅な効率、競争性能を示している。
論文参考訳（メタデータ） (2022-11-07T04:31:17Z)
Recurrent Bilinear Optimization for Binary Neural Networks [58.972212365275595]
BNNは、実数値重みとスケールファクターの内在的双線型関係を無視している。私たちの仕事は、双線形の観点からBNNを最適化する最初の試みです。我々は、様々なモデルやデータセット上で最先端のBNNに対して印象的な性能を示す頑健なRBONNを得る。
論文参考訳（メタデータ） (2022-09-04T06:45:33Z)
Distribution-sensitive Information Retention for Accurate Binary Neural Network [49.971345958676196]
本稿では、前向きのアクティベーションと後向きの勾配の情報を保持するために、新しいDIR-Net(Distribution-sensitive Information Retention Network)を提案する。我々のDIR-Netは、主流かつコンパクトなアーキテクチャの下で、SOTAバイナライゼーションアプローチよりも一貫して優れています。我々は、実世界のリソース制限されたデバイス上でDIR-Netを行い、ストレージの11.1倍の節約と5.4倍のスピードアップを実現した。
論文参考訳（メタデータ） (2021-09-25T10:59:39Z)
ThresholdNet: Pruning Tool for Densely Connected Convolutional Networks [2.267411144256508]
メモリのしきい値電圧の原理に言及した新しいタイプのプルーニングツール「しきい値」を導入する。この手法は、異なる深さのブロックを異なる方法で接続し、メモリ使用量を減らすために使用される。実験によると、HarDNetはDenseNetの2倍の速さで、ThresholdNetはHarDNetよりも10%速く、エラー率は10%低い。
論文参考訳（メタデータ） (2021-08-28T08:48:31Z)
Binary Graph Neural Networks [69.51765073772226]
グラフニューラルネットワーク(gnns)は、不規則データに対する表現学習のための強力で柔軟なフレームワークとして登場した。本稿では,グラフニューラルネットワークのバイナライゼーションのための異なる戦略を提示し,評価する。モデルの慎重な設計とトレーニングプロセスの制御によって、バイナリグラフニューラルネットワークは、挑戦的なベンチマークの精度において、適度なコストでトレーニングできることを示しています。
論文参考訳（メタデータ） (2020-12-31T18:48:58Z)
MeliusNet: Can Binary Neural Networks Achieve MobileNet-level Accuracy? [12.050205584630922]
バイナリニューラルネットワーク(BNN)は、典型的な32ビット浮動小数点値の代わりに2重みとアクティベーションを使用するニューラルネットワークである。本稿では,特徴量を増加させるDenseBlockと,特徴量を増加させるAdvancedBlockというアーキテクチャアプローチを提案する。
論文参考訳（メタデータ） (2020-01-16T16:56:10Z)

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。