論文の概要: FlexPooling with Simple Auxiliary Classifiers in Deep Networks

• arxiv url: http://arxiv.org/abs/2606.14926v1
• Date: Fri, 12 Jun 2026 20:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:32.460856
• Title: FlexPooling with Simple Auxiliary Classifiers in Deep Networks
• Title（参考訳）: 深層ネットワークにおける単純な補助的分類器を用いたFlexPooling
• Authors: Muhammad Ali, Omar Alsuwaidi, Salman Khan,
• Abstract要約: Poolingは畳み込みニューラルネットワーク(CNN)において必須の操作である 本稿では,ネットワークの他の部分と協調して,重み付け平均を学習することで,平均プールを一般化するFlexPoolingを提案する。 実験の結果、FlexPoolingはベースラインネットワークを一貫して上回り、およそ1～3%の精度向上を実現している。
• 参考スコア（独自算出の注目度）: 12.728008452578427
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In computer vision, the basic pipeline of most convolutional neural networks consists of multiple feature extraction layers, where the input signal is downsampled to a lower resolution in each subsequent layer. This downsampling process is commonly referred to as pooling, which is an essential operation in CNNs. Pooling improves robustness against transformations, reduces the number of trainable parameters, increases the receptive field, and lowers computation time. Since pooling is a lossy process but remains important for extracting high-level information from low-level representations, it is important to preserve the most prominent information from previous activations to improve network discriminability. Standard pooling is usually performed using dense pooling methods, such as max pooling or average pooling, or through strided convolutional kernels. In this paper, we propose a simple yet effective adaptive pooling method, called FlexPooling, which generalizes average pooling by learning a weighted average over activations jointly with the rest of the network. We further show that attaching Simple Auxiliary Classifiers (SAC) to the CNN improves performance and demonstrates the effectiveness of the proposed method compared with standard pooling methods. Experiments on multiple popular image classification datasets show that FlexPooling consistently outperforms baseline networks, achieving approximately 1 to 3 percent improvement in accuracy.
• Abstract（参考訳）: コンピュータビジョンでは、ほとんどの畳み込みニューラルネットワークの基本パイプラインは複数の特徴抽出層で構成され、入力信号はその後の各層で低い解像度にダウンサンプリングされる。 このダウンサンプリングプロセスは一般的にプールと呼ばれ、CNNでは必須の操作である。 ポーリングは変換に対する堅牢性を改善し、トレーニング可能なパラメータの数を減らし、受容場を増やし、計算時間を短縮する。 プーリングはロッキーなプロセスであるが,低レベル表現から高レベル情報を抽出する上では依然として重要であるため,従来のアクティベーションから最も顕著な情報を保存してネットワーク識別性を向上させることが重要である。 標準プーリングは通常、最大プーリングや平均プーリングのような密度の高いプーリング法や、ストライド化された畳み込みカーネルを通して行われる。 本稿では,FlexPoolingと呼ばれる単純な適応型プール手法を提案する。これは,ネットワークの他の部分と協調して,重み付け平均を学習することで,平均プールを一般化する。 さらに、CNNにSAC(Simple Auxiliary Classifier)を付加することで性能が向上し、標準プーリング法と比較して提案手法の有効性が示された。 複数の人気のあるイメージ分類データセットの実験によると、FlexPoolingはベースラインネットワークを一貫して上回り、精度が約1～3%向上している。

関連論文リスト

• Stochastic Subsampling With Average Pooling [7.229820415732795]
  本研究では,プールにドロップアウト類似性を取り入れた,平均プールと呼ばれる新しいモジュールを提案する。 サブサンプリングと平均プールの特性を記述し,不整合問題なくモジュールの設計に活用する。 平均プーリングは、不整合問題による潜在的な性能劣化を伴わずに正規化効果を達成し、既存のディープニューラルネットワークに簡単に接続できる。
  論文  参考訳（メタデータ） (2024-09-25T05:18:17Z)
• Hierarchical Spherical CNNs with Lifting-based Adaptive Wavelets for Pooling and Unpooling [101.72318949104627]
  本稿では, 階層型畳み込みニューラルネットワーク(HS-CNN)の新たな枠組みを提案し, プールやアンプールのための適応球面ウェーブレットを学習する。 LiftHS-CNNは、画像レベルのタスクとピクセルレベルのタスクの両方において、より効率的な階層的特徴学習を実現する。
  論文  参考訳（メタデータ） (2022-05-31T07:23:42Z)
• AdaPool: Exponential Adaptive Pooling for Information-Retaining Downsampling [82.08631594071656]
  畳み込み層は畳み込みニューラルネットワーク(CNN)の重要な構成要素である 適応的で指数関数的に重み付けされたアダプール法を提案する。 adaPoolは画像やビデオの分類やオブジェクト検出など,さまざまなタスクを通じて,ディテールの保存性の向上を実証する。
  論文  参考訳（メタデータ） (2021-11-01T08:50:37Z)
• Ordinal Pooling [26.873004843826962]
  通常のプーリングは、シーケンス内のプール領域の要素を並べ替え、シーケンス内の順序に基づいて各要素に異なる重みを割り当てる。 実験により、ネットワークがプーリング層内で異なるタイプのプール操作を行うのが有利であることが示唆された。
  論文  参考訳（メタデータ） (2021-09-03T14:33:02Z)
• Manifold Regularized Dynamic Network Pruning [102.24146031250034]
  本稿では,全インスタンスの多様体情報をプルーンドネットワークの空間に埋め込むことにより,冗長フィルタを動的に除去する新しいパラダイムを提案する。 提案手法の有効性をいくつかのベンチマークで検証し,精度と計算コストの両面で優れた性能を示す。
  論文  参考訳（メタデータ） (2021-03-10T03:59:03Z)
• Refining activation downsampling with SoftPool [74.1840492087968]
  畳み込みニューラルネットワーク(cnns)は、アクティベーションマップのサイズを減らすためにプールを使用する。 指数重化アクティベーションダウンサンプリングの高速かつ効率的な方法であるSoftPoolを提案します。 SoftPoolは、アクティベーションマップの縮小でより多くの情報を保持できることを示します。
  論文  参考訳（メタデータ） (2021-01-02T12:09:49Z)
• Network Adjustment: Channel Search Guided by FLOPs Utilization Ratio [101.84651388520584]
  本稿では,ネットワークの精度をFLOPの関数として考慮した,ネットワーク調整という新しいフレームワークを提案する。 標準画像分類データセットと幅広いベースネットワークの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2020-04-06T15:51:00Z)

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。