タグ付けされた質問 「convolutional-neural-networks」

通常のCNNの代わりにグラフたたみ込みニューラルネットワークを適用することで、どのようなメリットがありますか？つまり、CNNで問題を解決できるとしたら、それを解決するためにグラフ畳み込みニューラルネットワークに変換する必要があるのはなぜですか。通常のCNNをグラフ畳み込みニューラルネットワークで置き換えることで論文が示す例はありますか？精度の向上、品質の向上、またはパフォーマンスの向上が達成されていますか？特に医療画像、バイオインフォマティクス、または生物医学分野における画像分類、画像認識としていくつかの例を紹介できますか？

9 machine-learning  deep-learning  convolutional-neural-networks  graphs  geometric-deep-learning 

CNNでは、受容野は、フィルターの出力を計算するために使用される画像の一部です。ただし、1つのフィルターの出力（「機能マップ」とも呼ばれます）は、次のフィルターの入力です。 受容野と機能マップの違いは何ですか？

9 convolutional-neural-networks  terminology  comparison 

簡単にディープラーニングについて（参考）： ディープラーニングは、複数の線形変換と非線形変換で構成される複数の処理層を持つディープグラフを使用して、データの高レベルの抽象化をモデル化しようとする一連のアルゴリズムに基づく機械学習の分岐です。 ディープニューラルネットワーク、たたみ込みディープニューラルネットワーク、ディープビリーフネットワーク、リカレントニューラルネットワークなどのさまざまなディープラーニングアーキテクチャが、コンピュータービジョン、自動音声認識、自然言語処理、音声認識、バイオインフォマティクスなどの分野に適用され、それらが生成することが示されていますさまざまなタスクに関する最新の結果。 することができ、深いニューラルネットワークや畳み込み深いニューラルネットワークは、と見ることがアンサンブルベースの機械学習の方法？それとも別のアプローチですか？

9 neural-networks  machine-learning  deep-learning  convolutional-neural-networks  computer-vision 

機械学習アルゴリズム（CNN？）を使用/トレーニングして、画像間の細部の小さな違い（赤や他の色の色合いのわずかな違い、または他の非常に類似した画像間の小さなオブジェクトの存在など）を区別できるかどうか疑問に思っていましたか？ ）？そして、これらの違いに基づいて画像を分類しますか？これが現在の機械学習アルゴリズムで困難な作業である場合、どのように解決できますか？より多くのデータ（より多くの画像）を使用すると役立ちますか？ また、可能であれば、これに焦点を当てた研究への言及を提供していただければ幸いです。 私は機械学習を始めたばかりで、これは私の研究から疑問に思っていることです。 ありがとうございました。

8 machine-learning  convolutional-neural-networks  image-recognition  classification