論文の概要: Resolution Allocation with Learnable Resizing and Spectral Filter Parameterization

• arxiv url: http://arxiv.org/abs/2610.20274v1
• Date: Wed, 14 Oct 2026 14:35:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:16.205704
• Title: Resolution Allocation with Learnable Resizing and Spectral Filter Parameterization
• Title（参考訳）: 学習可能なリサイズとスペクトルフィルタのパラメータ化による分解能割当
• Abstract要約: スペクトルカーネルと空間カーネルは、学習された分解能割り当てに異なる応答を示し、スペクトルカーネルの利得を大きくした。 このパターンはデータセットとモデルサイズにまたがって観察されるが、その大きさと複雑さの予算への依存はモデルサイズとサイズ変更の実装によって異なる。
• 参考スコア（独自算出の注目度）: 7.642872560903921
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Learnable downsampling and spectral-domain filter parameterizations have each made convolutional networks more flexible, but their interaction has not been systematically examined. We bridge this gap by examining convolutional kernels learned in the spatial and spectral domains, together with learned downsampling ratios under a cropped resizing implementation. We find that spectral and spatial kernels respond differently to learned resolution allocation, with larger gains for the spectral kernel. We observe this consistently on three datasets (EuroSAT, CIFAR-10 and STL-10) and at two model sizes (differences in accuracy gain of +0.013 to +0.028 on held-out test sets). Part of this difference reflects the greater gain of the spectral kernel from retaining more spatial area, but the difference remains positive when total retained area is matched. This pattern is observed across datasets and model sizes, although its magnitude and dependence on the complexity budget vary with model size and the resizing implementation.
• Abstract（参考訳）: 学習可能なダウンサンプリングとスペクトル領域フィルタのパラメータ化により、畳み込みネットワークはより柔軟になったが、それらの相互作用は体系的に検討されていない。 このギャップを、空間領域とスペクトル領域で学んだ畳み込みカーネルと、トリミングされたリサイズ実装の下で学んだダウンサンプリング比で調べることで、橋渡しする。 スペクトルカーネルと空間カーネルは、学習された分解能割り当てに異なる応答を示し、スペクトルカーネルの利得を大きくした。 本研究は3つのデータセット(EuroSAT, CIFAR-10, STL-10)と2つのモデルサイズ(ホールドアウトテストセットでは+0.013から+0.028の精度向上率)で連続的に観測する。 この差の一部は、スペクトル核がより多くの空間領域を保持することによる大きな利得を反映しているが、全保持領域が一致しても、その差は肯定的である。 このパターンはデータセットとモデルサイズにまたがって観察されるが、その大きさと複雑さの予算への依存はモデルサイズとサイズ変更の実装によって異なる。

関連論文リスト

• Analytic Torsion and Spectral Gap Capture Persistent-Laplacian Performance [0.0]
  持続ラプラシアンを3つの数学的基底不変量に蒸留するコンパクトなスペクトル表現を提案する。 これらの不変量は、スペクトル幾何学とトポロジカルラーニングの間に、原則的かつ固定長のインターフェースをもたらすことを示唆している。
  論文  参考訳（メタデータ） (2026-06-15T17:28:57Z)
• Faster 3D Gaussian Splatting Convergence via Structure-Aware Densification [52.517763621139956]
  3Dガウススプラッティングは、リアルタイムのノベルビュー合成のための強力なシーン表現として登場した。 標準適応密度制御は画面空間の位置勾配に依存する。 本稿では,3次元ガウススプラッティングのための構造認識型密度化フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-30T15:37:20Z)
• Datacube segmentation via Deep Spectral Clustering [76.48544221010424]
  拡張ビジョン技術は、しばしばその解釈に挑戦する。 データ立方体スペクトルの巨大な次元性は、その統計的解釈において複雑なタスクを生じさせる。 本稿では,符号化空間における教師なしクラスタリング手法の適用の可能性について検討する。 統計的次元削減はアドホック訓練(可変)オートエンコーダで行い、クラスタリング処理は(学習可能な)反復K-Meansクラスタリングアルゴリズムで行う。
  論文  参考訳（メタデータ） (2024-01-31T09:31:28Z)
• Hodge-Aware Contrastive Learning [101.56637264703058]
  単純コンプレックスは、マルチウェイ依存によるデータのモデリングに有効である。 我々は、単純なデータを処理するための対照的な自己教師付き学習手法を開発した。
  論文  参考訳（メタデータ） (2023-09-14T00:40:07Z)
• Boosting the Generalization Ability for Hyperspectral Image Classification using Spectral-spatial Axial Aggregation Transformer [14.594398447576188]
  ハイパースペクトル画像分類(HSIC)タスクでは、最も一般的に使われているモデル検証パラダイムは、画素単位のランダムサンプリングによってトレーニング・テストデータセットを分割することである。 私たちの実験では、トレーニングとテストデータセットが多くの情報を共有しているため、高い精度が達成できたことが分かりました。 本稿では,データセット分割間の一般化を保ったスペクトル-空間軸アグリゲーション変換器モデルSaaFormerを提案する。
  論文  参考訳（メタデータ） (2023-06-29T07:55:43Z)
• Deep Diversity-Enhanced Feature Representation of Hyperspectral Images [87.47202258194719]
  トポロジを改良して3次元畳み込みを補正し,上行階の高次化を図る。 また、要素間の独立性を最大化するために特徴マップに作用する新しい多様性対応正規化(DA-Reg)項を提案する。 提案したRe$3$-ConvSetとDA-Regの優位性を実証するために,様々なHS画像処理および解析タスクに適用する。
  論文  参考訳（メタデータ） (2023-01-15T16:19:18Z)
• Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
  ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。 提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。 各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
  論文  参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。