反転のためのニューラルアーキテクチャ探索【JST・京大機械翻訳】

Zhan Cheng; Zhang Licheng; Zhao Xin; Lee Chang-Chun; Huang Shujiao

プレプリント

J-GLOBAL ID：202202211124435655 整理番号：22P0024009

反転のためのニューラルアーキテクチャ探索【JST・京大機械翻訳】

Neural Architecture Search for Inversion

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 (5件)： , , , ,
資料名：
発行年： 2022年01月05日プレプリントサーバーでの情報更新日： 2022年01月05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)

年間にわたって,人々は逆問題に取り組むために深層学習を使用しており,著者らは,記録波場と速度(Yangら,2016)の間の関係を構築するためにフレームワークを適用した。ここでは,2つの展望から研究を拡張し,1つは,より適切な損失関数を導き,ここでは,画素2ピクセル比較は,画像構造を特徴づけるための最良の選択ではなく,また,モデル性能を高めるために,高レベル特徴を捕捉するためのコスト関数を構築する方法について詳述する。もう一つの次元は,より適切なニューラルアーキテクチャの探索であり,それは,さらに大きな画像,自動機械学習,またはAutoMLの部分集合である。いくつかの有名なネットワーク,U-net,ResNet(He et al.,2016)と高密度Net(Huang et al.,2017)があり,それらは特定の問題に対する現象結果を達成するが,ある空間内で徹底的に探索することなく逆問題にとって最良であると主張するのは難しい。ここでは,反転に対するアーキテクチャ検索結果を示す。【JST・京大機械翻訳】

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

人工知能 , ニューロコンピュータ , パターン認識

前のページに戻る