セグメンテーションのためのニューラルネットワークは内部性を理解するか?【JST・京大機械翻訳】

Villalobos Kimberly; Stih Vilim; Ahmadinejad Amineh; Sundaram Shobhita; Dozier Jamell; Francl Andrew; Azevedo Frederico; Sasaki Tomotake; Boix Xavier

プレプリント

J-GLOBAL ID：202202206643438749 整理番号：22P0279824

セグメンテーションのためのニューラルネットワークは内部性を理解するか?【JST・京大機械翻訳】

Do Neural Networks for Segmentation Understand Insideness?

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (9件)： , , , , , , , ,
資料名：
発行年： 2022年01月25日プレプリントサーバーでの情報更新日： 2022年01月25日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

内部性問題は,どのピクセルが領域内と外側にあるかを決定することからなる画像セグメンテーションの側面である。深層ニューラルネットワーク(DNN)はセグメンテーションベンチマークにおいて優れているが,長距離空間依存性の評価を必要とするので,内部性問題を解決する能力を持つかどうかは不明である。本論文では,セグメンテーションの他の側面が解析に干渉しないように,テクスチャまたは意味的手がかりなしで,内部性問題を分離において解析した。少数のユニットによるセグメンテーションのためのDNNは,任意の曲線に対する内部性を解くための十分な複雑性を持つことを実証した。しかし,そのようなDNNは,一般解を学習する深刻な問題を持っている。小さな画像で訓練された再発性ネットワークだけが,ほとんど任意の曲線によく一般化する解を学習する。リカレントネットワークは,局所操作のシーケンスへの長距離依存性の評価を分解でき,小画像による学習は,多数の非回転ステップで,訓練リカレントネットワークの一般的困難を軽減する。【JST・京大機械翻訳】

, , , , , , , ,
, , , , , , 【Automatic Indexing@JST】

図形・画像処理一般 , パターン認識

, ,

前のページに戻る