Deep Learning and Higher Degree F-transforms: Interpretable Kernels Before and After Learning
Identifikátory výsledku
Kód výsledku v IS VaVaI
<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61988987%3A17610%2F20%3AA21023D8" target="_blank" >RIV/61988987:17610/20:A21023D8 - isvavai.cz</a>
Výsledek na webu
<a href="https://www.atlantis-press.com/journals/ijcis/125944627/view" target="_blank" >https://www.atlantis-press.com/journals/ijcis/125944627/view</a>
DOI - Digital Object Identifier
<a href="http://dx.doi.org/10.2991/ijcis.d.200907.001" target="_blank" >10.2991/ijcis.d.200907.001</a>
Alternativní jazyky
Jazyk výsledku
angličtina
Název v původním jazyce
Deep Learning and Higher Degree F-transforms: Interpretable Kernels Before and After Learning
Popis výsledku v původním jazyce
One of the current trends in the deep neural network technology consists in allowing a man-machine interaction and providing an explanation of network design and learning principles. In this direction, an experience with fuzzy systems is of great support. We propose our insight that is based on the particular theory of fuzzy (F)-transforms. Besides a theoretical explanation, we develop a new architecture of a deep neural network where the F-transform convolution kernels are used in the first two layers. Based on a series of experiments, we demonstrate the suitability of the F-transform-based deep neural network in the domain of image processing with the focus on recognition. Moreover, we support our insight by revealing the similarity between the F-transform and first-layer kernels in the most used deep neural networks.
Název v anglickém jazyce
Deep Learning and Higher Degree F-transforms: Interpretable Kernels Before and After Learning
Popis výsledku anglicky
One of the current trends in the deep neural network technology consists in allowing a man-machine interaction and providing an explanation of network design and learning principles. In this direction, an experience with fuzzy systems is of great support. We propose our insight that is based on the particular theory of fuzzy (F)-transforms. Besides a theoretical explanation, we develop a new architecture of a deep neural network where the F-transform convolution kernels are used in the first two layers. Based on a series of experiments, we demonstrate the suitability of the F-transform-based deep neural network in the domain of image processing with the focus on recognition. Moreover, we support our insight by revealing the similarity between the F-transform and first-layer kernels in the most used deep neural networks.
Klasifikace
Druh
J<sub>imp</sub> - Článek v periodiku v databázi Web of Science
CEP obor
—
OECD FORD obor
10102 - Applied mathematics
Návaznosti výsledku
Projekt
<a href="/cs/project/EF17_049%2F0008414" target="_blank" >EF17_049/0008414: Centrum pro výzkum a vývoj metod umělé intelligence v automobilovém průmyslu regionu</a><br>
Návaznosti
P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)<br>S - Specificky vyzkum na vysokych skolach
Ostatní
Rok uplatnění
2020
Kód důvěrnosti údajů
S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů
Údaje specifické pro druh výsledku
Název periodika
International Journal of Computational Intelligence Systems
ISSN
1875-6891
e-ISSN
1875-6883
Svazek periodika
13
Číslo periodika v rámci svazku
1
Stát vydavatele periodika
SG - Singapurská republika
Počet stran výsledku
10
Strana od-do
1404-1414
Kód UT WoS článku
000608285000006
EID výsledku v databázi Scopus
2-s2.0-85091564080