Vše

Co hledáte?

Vše
Projekty
Výsledky výzkumu
Subjekty

Rychlé hledání

  • Projekty podpořené TA ČR
  • Významné projekty
  • Projekty s nejvyšší státní podporou
  • Aktuálně běžící projekty

Chytré vyhledávání

  • Takto najdu konkrétní +slovo
  • Takto z výsledků -slovo zcela vynechám
  • “Takto můžu najít celou frázi”

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