論文の概要: Learning Entropy Signature for Image Representation and Classification

• arxiv url: http://arxiv.org/abs/2606.22634v1
• Date: Sun, 21 Jun 2026 18:46:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-25 17:13:42.952651
• Title: Learning Entropy Signature for Image Representation and Classification
• Title（参考訳）: 画像表現と分類のためのエントロピー信号の学習
• Authors: Jan Glaser, Ivo Bukovsky, Noriyasu Homma, Marcel Jirina,
• Abstract要約: 学習エントロピー(LE)は空間学習エントロピーマップ(SLEM)を通して画像解析に拡張された SLEMは2次元のLE分布であり、画像全体で異常に高い学習活性を示す。 本稿では,K 最大の LE 位置を用いた SLEM から派生した画像記述子であるLearning Entropy Signatures (LES) を紹介する。
• 参考スコア（独自算出の注目度）: 2.9278915748576826
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learning Entropy (LE) has recently been extended to image analysis through Spatial Learning Entropy Maps (SLEMs), which are two-dimensional LE distributions that highlight unusually high learning activity across an image. Unlike conventional image descriptors, SLEMs are generated by incremental, sample-wise learning of a pretrained feedforward MLP network, where local pixel neighborhoods are presented sequentially in a fixed spatial order to predict the corresponding central pixels. Consequently, the learning activity at each image location depends not only on its local structure but also on the knowledge acquired from previously processed locations. This paper introduces Learning Entropy Signatures (LES), an image descriptor derived from SLEM using the K largest LE locations. LES captures the spatial organization of learning-relevant image structures and provides a compact representation of image content based on learning weight behavior. Experimental evaluation on image classification tasks shows that a relatively small number of K largest LE locations preserve substantial discriminative information. The results indicate a close relationship between the learning of neural weights and information relevance, extending the role of Learning Entropy from time series to images and, within images, from structural point extraction to compact image representation and classification.
• Abstract（参考訳）: 近年,Learning Entropy (LE) は空間学習エントロピーマップ (SLEM) を通じて画像解析に拡張されている。 従来の画像記述子とは異なり、SLEMは、予め訓練されたフィードフォワードMLPネットワークの漸進的なサンプルワイズ学習によって生成され、そこでは、局所画素近傍を固定空間順序で順次表示し、対応する中央画素を予測する。 その結果、各画像位置における学習活動は、その局所構造だけでなく、以前に処理された場所から得た知識にも依存する。 本稿では,K 最大の LE 位置を用いた SLEM から派生した画像記述子であるLearning Entropy Signatures (LES) を紹介する。 LESは学習関連画像構造の空間的構造を捉え,学習重み行動に基づく画像内容のコンパクトな表現を提供する。 画像分類タスクの実験的評価は、比較的少数のK最大のLE位置が実質的な識別情報を保存していることを示している。 結果は,時系列から画像への学習エントロピーの役割を,構造点抽出からコンパクトな画像表現と分類へ拡張する,神経重みの学習と情報関連性の密接な関係を示す。

関連論文リスト

• Learning Entropy and Spatial Adaptation Dynamics of Multilayer Perceptrons for Structural Point Extraction [1.4681690787310104]
  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。
  論文  参考訳（メタデータ） (2026-06-08T21:05:03Z)
• Learning to Perceive "Where": Spatial Pretext Tasks for Robust Self-Supervised Learning [17.753167530453997]
  空間認識型プレテキスト回帰タスクである空間予測を導入し、同じ画像から一対の非絡み合ったローカルビュー間の相対的な位置とスケールを予測する。 連続幾何学空間における部分対部分関係をモデル化することにより、SPは表現がきめ細かい空間依存を捉えることを奨励する。 実験では、画像認識、きめ細かな分類、セマンティックセグメンテーション、深さ推定、および物体認識におけるアウト・オブ・ディストリビューションの大幅な向上が示されている。
  論文  参考訳（メタデータ） (2026-05-11T04:15:34Z)
• Exploring Multi-view Pixel Contrast for General and Robust Image Forgery Localization [4.8454936010479335]
  本稿では,画像フォージェリーローカライゼーションのための多視点Pixel-wise Contrastive Algorithm (MPC)を提案する。 具体的には、まず、教師付きコントラスト損失を伴うバックボーンネットワークを事前訓練する。 次に、クロスエントロピー損失を用いてローカライゼーションヘッドを微調整し、ピクセルローカライザを改良する。
  論文  参考訳（メタデータ） (2024-06-19T13:51:52Z)
• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• De-coupling and De-positioning Dense Self-supervised Learning [65.56679416475943]
  Dense Self-Supervised Learning (SSL)メソッドは、複数のオブジェクトでイメージを処理する際に、画像レベルの特徴表現を使用する際の制限に対処する。 本研究は, 層深度やゼロパディングに伴う受容野の増大によって生じる, 結合と位置バイアスに悩まされていることを示す。 我々はCOCOにおける本手法の利点と、オブジェクト分類、セマンティックセグメンテーション、オブジェクト検出のための新しい挑戦的ベンチマークであるOpenImage-MINIについて示す。
  論文  参考訳（メタデータ） (2023-03-29T18:07:25Z)
• LEAD: Self-Supervised Landmark Estimation by Aligning Distributions of Feature Similarity [49.84167231111667]
  自己監督型ランドマーク検出における既存の研究は、画像から高密度(ピクセルレベルの)特徴表現を学習することに基づいている。 自己教師付き方式で高密度同変表現の学習を強化するアプローチを提案する。 機能抽出器にそのような先行性があることは,アノテーションの数が大幅に制限されている場合でも,ランドマーク検出に役立ちます。
  論文  参考訳（メタデータ） (2022-04-06T17:48:18Z)
• Learning Where to Learn in Cross-View Self-Supervised Learning [54.14989750044489]
  自己教師付き学習(SSL)は大きな進歩を遂げ、教師付き学習との大きなギャップを狭めた。 現在の方法では、埋め込みにピクセルの統一的なアグリゲーションを採用する。 本稿では,特徴の空間情報を適応的に集約する学習方法であるLearning Where to Learn(LEWEL)を提案する。
  論文  参考訳（メタデータ） (2022-03-28T17:02:42Z)
• Exploiting the relationship between visual and textual features in social networks for image classification with zero-shot deep learning [0.0]
  本稿では,CLIPニューラルネットワークアーキテクチャの伝達可能な学習能力に基づく分類器アンサンブルを提案する。 本研究は,Placesデータセットのラベルによる画像分類タスクに基づいて,視覚的部分のみを考慮した実験である。 画像に関連付けられたテキストを考えることは、目標に応じて精度を向上させるのに役立つ。
  論文  参考訳（メタデータ） (2021-07-08T10:54:59Z)
• PGL: Prior-Guided Local Self-supervised Learning for 3D Medical Image Segmentation [87.50205728818601]
  本稿では,潜在特徴空間における局所的一貫性を学習するPGL(PresideedGuided Local)自己教師モデルを提案する。 我々のPGLモデルは、局所領域の特異な表現を学習し、したがって構造情報を保持できる。
  論文  参考訳（メタデータ） (2020-11-25T11:03:11Z)

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。