論文の概要: Experimental Analysis of Neural Network-Based Image Classification on the CIFAR-10 Dataset

• arxiv url: http://arxiv.org/abs/2606.18565v1
• Date: Wed, 17 Jun 2026 00:35:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-18 17:16:50.943397
• Title: Experimental Analysis of Neural Network-Based Image Classification on the CIFAR-10 Dataset
• Title（参考訳）: CIFAR-10データセットを用いたニューラルネットワークによる画像分類の実験的検討
• Authors: Necati Kagan Erkek, Emre Balci, Berkin Halay,
• Abstract要約: CIFAR-10ベンチマークにおけるニューラルネットワークの分類に関する実験的研究は、完全に連結された畳み込みネットワークの定式化を通じて行われた。 この分析では、画像ベクトル化、正規化、ワンホットクラスエンコーディング、教師付き損失最小化、学習速度選択、ミニバッチトレーニング、畳み込み特徴抽出、最大プール、検証に基づく評価といった完全な学習パイプラインを強調している。
• 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: An experimental investigation of neural image classification on the CIFAR-10 benchmark is presented through fully connected and convolutional network formulations. The analysis emphasizes the complete learning pipeline: image vectorization, normalization, one-hot class encoding, supervised loss minimization, learning-rate selection, mini-batch training, convolutional feature extraction, max-pooling, and validation-based generalization assessment. A convolutional architecture with six convolutional layers and three max-pooling stages is evaluated for ten training epochs using a batch size of 128 and an Adam optimizer with a learning rate of 0.001. The validation accuracy reaches approximately 74.77%, while the validation loss begins to increase after the middle of training despite continued reduction in training loss. The resulting behavior illustrates the practical difference between representation learning and memorization, and it provides a compact experimental baseline for future studies on regularization, data augmentation, deeper architectures, and reproducible image-classification education.
• Abstract（参考訳）: CIFAR-10ベンチマークにおけるニューラルネットワークの分類に関する実験的研究は、完全に連結された畳み込みネットワークの定式化を通じて行われた。 この分析は、画像ベクトル化、正規化、ワンホットクラスエンコーディング、教師付き損失最小化、学習速度選択、ミニバッチトレーニング、畳み込み特徴抽出、最大プール、検証に基づく一般化評価といった完全な学習パイプラインを強調している。 バッチサイズ128と学習率0.001のAdamオプティマイザを用いて,6つの畳み込み層と3つの最大プールステージを持つ畳み込みアーキテクチャを10の訓練エポックに対して評価した。 検証精度は約74.77%に達するが、トレーニング損失の継続的な減少にもかかわらず、トレーニング中以降に検証損失が増加し始める。 結果として得られた行動は、表現学習と記憶の実践的な違いを示し、正規化、データ拡張、より深いアーキテクチャ、再現可能なイメージ分類教育に関する研究のためのコンパクトな実験ベースラインを提供する。

関連論文リスト

• Empirical Ablation and Ensemble Optimization of a Convolutional Neural Network for CIFAR-10 Classification [0.0]
  畳み込みニューラルネットワーク(CNN)は画像分類において中心的なアプローチである。 本稿では,CIFAR-10ベンチマークのCNN最適化に関する経験的アブレーションに基づく研究について述べる。
  論文  参考訳（メタデータ） (2026-04-26T20:08:26Z)
• Multi-Frequency Local Plasticity for Visual Representation Learning [0.40048696135519796]
  本研究では,視覚認識におけるエンドツーエンドの勾配に基づく表現学習の欠如を補う構造的アーキテクチャバイアスについて検討する。 i) 固定多周波ガボルのF=7並列ストリームへの分解, (ii) ヘビアンとオジャの更新と反ヘビアンデコリレーションによるストリーム内競合学習, (iii) 現代のホプフィールド検索にインスパイアされた連想メモリモジュール。
  論文  参考訳（メタデータ） (2026-04-09T18:30:47Z)
• Training Deep Visual Networks Beyond Loss and Accuracy Through a Dynamical Systems Approach [0.6229352230128421]
  本稿では,力学系のレンズを用いてトレーニングを行うことにより,その過程を補完的に研究する手法を提案する。 トレーニングエポック間で収集されたレイヤアクティベーションから,3つの尺度を定義する。 このフレームワークをモデルアーキテクチャとデータセットの9つの組み合わせに適用する。
  論文  参考訳（メタデータ） (2026-04-08T12:41:10Z)
• CALLIC: Content Adaptive Learning for Lossless Image Compression [64.47244912937204]
  CALLICは、学習したロスレス画像圧縮のための新しい最先端(SOTA)を設定する。 本稿では,畳み込みゲーティング操作を利用したコンテンツ認識型自己回帰自己保持機構を提案する。 エンコーディング中、低ランク行列を用いて深度の畳み込みを含む事前学習層を分解し、レート誘導プログレッシブファインタニング(RPFT)による画像検査にインクリメンタルウェイトを適応させる。 推定エントロピーにより下位順にソートされたパッチを徐々に増加させたRPFTファインチューン,学習過程の最適化,適応時間の短縮を実現した。
  論文  参考訳（メタデータ） (2024-12-23T10:41:18Z)
• Self-Supervised Learning in Deep Networks: A Pathway to Robust Few-Shot Classification [0.0]
  まず、ラベルのない大量のデータから共通特徴表現を学習できるように、自己スーパービジョンでモデルを事前訓練する。 その後、数ショットのデータセットMini-ImageNetで微調整を行い、限られたデータの下でモデルの精度と一般化能力を改善する。
  論文  参考訳（メタデータ） (2024-11-19T01:01:56Z)
• Convolutional Neural Generative Coding: Scaling Predictive Coding to Natural Images [79.07468367923619]
  畳み込み型神経生成符号化(Conv-NGC)を開発した。 我々は、潜伏状態マップを段階的に洗練する柔軟な神経生物学的動機付けアルゴリズムを実装した。 本研究は,脳にインスパイアされたニューラル・システムによる再建と画像復調の課題に対する効果について検討する。
  論文  参考訳（メタデータ） (2022-11-22T06:42:41Z)
• Understanding the Generalization of Adam in Learning Neural Networks with Proper Regularization [118.50301177912381]
  我々は,重力減衰グローバリゼーションにおいても,目的の異なる解に確実に異なる誤差で収束できることを示す。 凸と重み減衰正則化を用いると、Adamを含む任意の最適化アルゴリズムは同じ解に収束することを示す。
  論文  参考訳（メタデータ） (2021-08-25T17:58:21Z)
• Improving Music Performance Assessment with Contrastive Learning [78.8942067357231]
  本研究では,既存のMPAシステムを改善するための潜在的手法として,コントラスト学習について検討する。 畳み込みニューラルネットワークに適用された回帰タスクに適した重み付きコントラスト損失を導入する。 この結果から,MPA回帰タスクにおいて,コントラッシブ・ベースの手法がSoTA性能に適合し,超越できることが示唆された。
  論文  参考訳（メタデータ） (2021-08-03T19:24:25Z)
• No Fear of Heterogeneity: Classifier Calibration for Federated Learning with Non-IID Data [78.69828864672978]
  実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。 このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。 実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
  論文  参考訳（メタデータ） (2021-06-09T12:02:29Z)
• A Simple Framework for Contrastive Learning of Visual Representations [116.37752766922407]
  本稿では,視覚表現のコントラスト学習のためのシンプルなフレームワークであるSimCLRについて述べる。 我々は,データ拡張の構成が効果的な予測タスクを定義する上で重要な役割を担っていることを示す。 我々は、ImageNet上での自己教師付き半教師付き学習において、従来の手法よりもかなり優れています。
  論文  参考訳（メタデータ） (2020-02-13T18:50:45Z)

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。