論文の概要: Why Convolution Still Matters: Evaluating Inductive Biases in Cryospheric Image Classification
- arxiv url: http://arxiv.org/abs/2610.04073v1
- Date: Fri, 02 Oct 2026 21:35:30 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-10-06 20:33:29.701319
- Title: Why Convolution Still Matters: Evaluating Inductive Biases in Cryospheric Image Classification
- Title（参考訳）: なぜ畳み込みが重要なのか: 球面画像分類における誘導的ビアーゼの評価
- Abstract要約: 以前は畳み込みニューラルネットワーク(CNN)が好まれていたグリーンランド氷床画像データセットのベンチマークを再検討した。
我々は,従来のCNN(AlexNet),現代CNN(ConvNeXt-Tiny),純粋注意モデル(Swin-Tiny),ハイブリッドコンボリューション・アテンションモデル(CoAtNet-0)を同一のトレーニングおよび評価プロトコルで比較した。
結果は、AlexNetがマクロ平均F1で測定した最高精度と最高バランス性能を達成し、ConvNeXt-Tinyは最大マクロ平均AUCを示し、強いクラスセパーを示していることを示している。
- 参考スコア（独自算出の注目度）: 0.4640835690336653
- License:
- Abstract: Recent advances in attention-based deep learning have motivated their adoption for remote sensing image classification; however, their benefits for cryospheric imagery, where surface states are dominated by fine-grained textures and class imbalance, remain unclear. In this work, we revisit a benchmark Greenland Ice Sheet image dataset, previously shown to favor convolutional neural networks (CNNs), to examine whether modern attention-based and hybrid architectures improve class-wise reliability. We conduct a controlled comparison between a classical CNN (AlexNet), a modern CNN (ConvNeXt-Tiny), a pure attention-based model (Swin-Tiny), and a hybrid convolution-attention model (CoAtNet-0) under identical training and evaluation protocols. Results show that AlexNet achieves the highest accuracy and the strongest balanced performance as measured by macro-averaged F1, while ConvNeXt-Tiny exhibits the highest macro-averaged AUC, indicating strong class separability but less consistent final decision quality. Class-wise analysis reveals that hybrid architectures improve recall for rare and structurally distinct surface classes, whereas convolutional models remain more reliable for texture-dominated categories. These findings highlight the importance of aligning architectural inductive bias with cryospheric data characteristics and suggest that increased model complexity does not necessarily translate to improved reliability for ice-sheet surface classification.
- Abstract（参考訳）: 近年の注目に基づく深層学習の進歩はリモートセンシング画像分類への導入を動機付けているが、表面状態がきめ細かいテクスチャとクラス不均衡によって支配される低温画像に対するその利点はいまだ不明である。
本研究では,CNN(Crevolutional Neural Network)が好まれていたグリーンランド氷床画像データセットのベンチマークを再検討し,現代の注目に基づくハイブリッドアーキテクチャがクラスの信頼性を向上するかどうかを検討する。
我々は,従来のCNN (AlexNet) と,現代のCNN (ConvNeXt-Tiny) ,純粋注意ベースモデル (Swin-Tiny) と,同一のトレーニングおよび評価プロトコル下でのハイブリッド・コンボリューション・アテンションモデル (CoAtNet-0) の比較を行った。
その結果、AlexNetはマクロ平均F1で測定された最高精度と最強のバランス性能を達成し、ConvNeXt-Tinyは最大マクロ平均AUCを示し、クラス分離性は高いが最終的な決定品質は低いことを示した。
クラスワイド分析では、ハイブリッドアーキテクチャは稀で構造的に異なる表面クラスに対するリコールを改善するが、畳み込みモデルはテクスチャに支配されたカテゴリに対してより信頼性が保たれている。
これらの知見は, 構造誘導バイアスを低温データ特性と整合させることの重要性を強調し, モデル複雑性の増加が氷床表面分類の信頼性向上に必ずしも寄与しないことを示唆している。
関連論文リスト
- Performance and Interpretability of Convolutional, Transformer, and Hybrid Deep Learning Models in Colorectal Histology Classification [0.0]
本研究では, Kather の大腸癌組織学データセットを用いて, ImageNet-pretrained CNN, Transformer, Hybrid Architectures の12種類の評価を行った。
EVA-02は最高性能(精度97.1%、F1スコア97.0%)を達成し、その後ViT-B/16が続いた。
論文 参考訳（メタデータ） (2026-06-21T18:56:42Z) - StepVAR: Structure-Texture Guided Pruning for Visual Autoregressive Models [98.72926158261937]
本稿では,Visual AutoRegressive モデルのためのトレーニングフリートークン解析フレームワークを提案する。
我々は局所的なテクスチャの詳細を捉えるために軽量なハイパスフィルタを使用し、グローバルな構造情報を保存するために主成分分析(PCA)を活用している。
スパーストークンの下で有効な次世代の予測を維持するために,近接した特徴伝達戦略を導入する。
論文 参考訳（メタデータ） (2026-03-02T11:35:05Z) - ReDiSC: A Reparameterized Masked Diffusion Model for Scalable Node Classification with Structured Predictions [64.17845687013434]
本稿では,構造化ノード分類のための構造拡散モデルであるReDiSCを提案する。
本稿では,ReDiSCが最先端のGNN,ラベル伝搬,拡散ベースラインと比較して,優れた,あるいは高い競争力を発揮することを示す。
特にReDiSCは、従来の構造化拡散法が計算制約によって失敗する大規模データセットに効果的にスケールする。
論文 参考訳（メタデータ） (2025-07-19T04:46:53Z) - How to Learn More? Exploring Kolmogorov-Arnold Networks for Hyperspectral Image Classification [26.37105279142761]
Kolmogorov-Arnold Networks (KANs) は視覚変換器 (ViTs) の代替として提案された。
本研究では,複雑なハイパースペクトル画像(HSI)データ分類におけるkansの有効性を評価する。
そこで我々は,1D,2D,3Dkanを用いたハイブリッドアーキテクチャを開発し,提案する。
論文 参考訳（メタデータ） (2024-06-22T03:31:02Z) - DCNN: Dual Cross-current Neural Networks Realized Using An Interactive Deep Learning Discriminator for Fine-grained Objects [48.65846477275723]
本研究では、微細な画像分類の精度を向上させるために、新しい二重電流ニューラルネットワーク(DCNN)を提案する。
弱い教師付き学習バックボーンモデルを構築するための新しい特徴として、(a)異種データの抽出、(b)特徴マップの解像度の維持、(c)受容領域の拡大、(d)グローバル表現と局所特徴の融合などがある。
論文 参考訳（メタデータ） (2024-05-07T07:51:28Z) - A Neural Collapse Perspective on Feature Evolution in Graph Neural
Networks [44.31777384413466]
グラフニューラルネットワーク(GNN)は、グラフ構造化データの分類タスクでますます人気が高まっている。
本稿では,ノードワイズ分類に着目し,ニューラル崩壊現象のレンズによる特徴進化を考察する。
我々は、「最適」な数学的モデルでさえ、グラフが正確な崩壊を伴う最小値を持つためには厳密な構造条件に従う必要があることを示した。
論文 参考訳（メタデータ） (2023-07-04T23:03:21Z) - Bayesian Layer Graph Convolutioanl Network for Hyperspetral Image
Classification [24.91896527342631]
グラフ畳み込みネットワーク(GCN)ベースのモデルは、素晴らしいパフォーマンスを示している。
点推定に基づくディープラーニングフレームワークは、一般化が低く、分類結果の不確実性を定量化できない。
本稿では,点推定に基づくニューラルネットワークへの挿入層としてベイズ的アイデアを用いたベイズ的層を提案する。
HSIデータセットのサンプル不均衡問題を解決するためにGAN(Generative Adversarial Network)が構築されている。
論文 参考訳（メタデータ） (2022-11-14T12:56:56Z) - Multi-layer Representation Learning for Robust OOD Image Classification [3.1372269816123994]
我々は、CNNの中間層から特徴を抽出することで、モデルの最終的な予測を支援することができると主張している。
具体的には、ハイパーカラム法をResNet-18に適用し、NICOデータセットで評価した場合、モデルの精度を大幅に向上させる。
論文 参考訳（メタデータ） (2022-07-27T17:46:06Z) - Do We Really Need a Learnable Classifier at the End of Deep Neural
Network? [118.18554882199676]
本研究では、ニューラルネットワークを学習して分類器をランダムにETFとして分類し、訓練中に固定する可能性について検討する。
実験結果から,バランスの取れたデータセットの画像分類において,同様の性能が得られることがわかった。
論文 参考訳（メタデータ） (2022-03-17T04:34:28Z) - Calibrating Class Activation Maps for Long-Tailed Visual Recognition [60.77124328049557]
本稿では,CNNの長期分布からネットワーク学習を改善するための2つの効果的な修正を提案する。
まず,ネットワーク分類器の学習と予測を改善するために,CAMC (Class Activation Map) モジュールを提案する。
第2に,長期化問題における表現学習における正規化分類器の利用について検討する。
論文 参考訳（メタデータ） (2021-08-29T05:45:03Z)
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。