事前学習済みCNNモデルにヒストグラム勾配特徴量(HOG)を統合することで、米作物病害の識別精度を大幅に向上させることができる。特に、EfficientNet-B7モデルにHOGを組み合わせることで97%の高精度を達成した。
CNNの平行移動不変性を向上させるために、最大サンプリングバイアスを抑制し、平行移動不変な表現を学習する新しいプーリング演算子であるTranslation Invariant Polyphase Sampling (TIPS)を提案する。
大規模モデルの知識を蒸留することで、小規模モデルは事前学習を行わずに同等以上の性能を達成できる。
地理的バイアスを軽減し、地域に依存しない公平な画像認識モデルを構築する。
ImageNetモデルの偏りと一般化の関係を包括的に分析した結果、個々の偏りでは一般化を十分に説明できないことが明らかになった。
本研究では、量子原理を活用した2つの量子機械学習モデルを提案し、画像分類の性能を向上させている。
密結合畳み込みネットワークは、ResNetスタイルのアーキテクチャに取って代わる可能性があり、その潜在的な有効性が過小評価されていた。本研究では、concatenationを活用したDenseNetの設計を改善し、最新のモデルを上回る性能を達成した。
量子アニーリングを活用することで、多数物体追跡の処理速度を向上させつつ、追跡精度も高めることができる。さらに、逆アニーリングを組み合わせることで、追跡処理の効率をさらに高めることができる。
混合サンプルデータ拡張(MSDA)は、一部のクラスの性能を向上させる一方で、他のクラスの性能を低下させる、クラス依存性を持つことが明らかになった。この問題に取り組むため、DropMixと呼ばれる新しい手法を提案し、クラス依存性を軽減しつつ全体的な精度も向上させることができた。
スペクトル畳み込み変換器(SCT)は、ハートレー変換と畳み込み演算子を組み合わせることで、画像の局所的な情報と大域的な情報を効果的に捉えることができる新しいアーキテクチャを提案する。