Quaternion Convolutional Neural Networks: Current Advances and Future Directions

要約

畳み込みニューラル ネットワーク (CNN) は、最初の応用以来、いくつかの領域で最先端の技術を進歩させる問題を解決してきました。
CNN は実数を使用して情報を表現します。
有望な結果にもかかわらず、理論分析では、超複素数などの表現は実数よりも豊かな表現能力を達成できること、およびハミルトン積が固有のチャネル間関係を捕捉できることが示されています。
さらに、ここ数年の実験研究では、四元数値 CNN (QCNN) が実数値の CNN よりも少ないパラメーターで同等のパフォーマンスを達成できることが示されています。
この文書には、QCNN の開発に関する研究がその最初から凝縮されています。
現在のトレンドを概念的に整理し、QCNN モデルの設計に使用される主要な構成要素を分析します。
この概念整理に基づいて、今後の研究の方向性を提案します。

要約(オリジナル)

Since their first applications, Convolutional Neural Networks (CNNs) have solved problems that have advanced the state-of-the-art in several domains. CNNs represent information using real numbers. Despite encouraging results, theoretical analysis shows that representations such as hyper-complex numbers can achieve richer representational capacities than real numbers, and that Hamilton products can capture intrinsic interchannel relationships. Moreover, in the last few years, experimental research has shown that Quaternion-Valued CNNs (QCNNs) can achieve similar performance with fewer parameters than their real-valued counterparts. This paper condenses research in the development of QCNNs from its very beginnings. We propose a conceptual organization of current trends and analyze the main building blocks used in the design of QCNN models. Based on this conceptual organization, we propose future directions of research.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google