Atenção:
O eduCAPES é um repositório de objetos educacionais, não sendo responsável por materiais de terceiros submetidos na plataforma. O usuário assume ampla e total responsabilidade quanto à originalidade, à titularidade e ao conteúdo, citações de obras consultadas, referências e outros elementos que fazem parte do material que deseja submeter. Recomendamos que se reporte diretamente ao(s) autor(es), indicando qual parte do material foi considerada imprópria (cite página e parágrafo) e justificando sua denúncia.
Caso seja o autor original de algum material publicado indevidamente ou sem autorização, será necessário que se identifique informando nome completo, CPF e data de nascimento. Caso possua uma decisão judicial para retirada do material, solicitamos que informe o link de acesso ao documento, bem como quaisquer dados necessários ao acesso, no campo abaixo.
Todas as denúncias são sigilosas e sua identidade será preservada. Os campos nome e e-mail são de preenchimento opcional. Porém, ao deixar de informar seu e-mail, um possível retorno será inviabilizado e/ou sua denúncia poderá ser desconsiderada no caso de necessitar de informações complementares.
Metadados | Descrição | Idioma |
---|---|---|
Autor(es): dc.contributor | Universidade Federal de São Carlos (UFSCar) | - |
Autor(es): dc.contributor | Petróleo Brasileiro - Petrobras | - |
Autor(es): dc.contributor | Universidade Estadual Paulista (UNESP) | - |
Autor(es): dc.creator | do Santos, Claudio Filipi Goncalves | - |
Autor(es): dc.creator | Colombo, Danilo | - |
Autor(es): dc.creator | Roder, Mateus | - |
Autor(es): dc.creator | Papa, João Paulo | - |
Data de aceite: dc.date.accessioned | 2025-08-21T22:47:05Z | - |
Data de disponibilização: dc.date.available | 2025-08-21T22:47:05Z | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2022-05-01 | - |
Data de envio: dc.date.issued | 2019-12-31 | - |
Fonte completa do material: dc.identifier | http://dx.doi.org/10.1109/ICPR48806.2021.9412733 | - |
Fonte completa do material: dc.identifier | http://hdl.handle.net/11449/233274 | - |
Fonte: dc.identifier.uri | http://educapes.capes.gov.br/handle/11449/233274 | - |
Descrição: dc.description | Different techniques have emerged in the deep learning scenario, such as Convolutional Neural Networks, Deep Belief Networks, and Long Short-Term Memory Networks, to cite a few. In lockstep, regularization methods, which aim to prevent overfitting by penalizing the weight connections, or turning off some units, have been widely studied either. In this paper, we present a novel approach called MaxDropout, a regularizer for deep neural network models that works in a supervised fashion by removing (shutting off) the prominent neurons (i.e., most active) in each hidden layer. The model forces fewer activated units to learn more representative information, thus providing sparsity. Regarding the experiments, we show that it is possible to improve existing neural networks and provide better results in neural networks when Dropout is replaced by MaxDropout. The proposed method was evaluated in image classification, achieving comparable results to existing regularizers, such as Cutout and RandomErasing, also improving the accuracy of neural networks that uses Dropout by replacing the existing layer by MaxDropout. | - |
Descrição: dc.description | Fundação de Amparo à Pesquisa do Estado de São Paulo (FAPESP) | - |
Descrição: dc.description | Conselho Nacional de Desenvolvimento Científico e Tecnológico (CNPq) | - |
Descrição: dc.description | Federal University of Sao Carlos - UFSCar | - |
Descrição: dc.description | Petróleo Brasileiro - Petrobras | - |
Descrição: dc.description | São Paulo State University - UNESP | - |
Descrição: dc.description | São Paulo State University - UNESP | - |
Descrição: dc.description | FAPESP: #2013/07375-0 | - |
Descrição: dc.description | FAPESP: #2014/12236-1 | - |
Descrição: dc.description | FAPESP: #2017/25908-6 | - |
Descrição: dc.description | FAPESP: #2019/07825-1 | - |
Descrição: dc.description | CNPq: #307066/2017-7 | - |
Descrição: dc.description | CNPq: #427968/2018-6 | - |
Formato: dc.format | 2671-2676 | - |
Idioma: dc.language | en | - |
Relação: dc.relation | Proceedings - International Conference on Pattern Recognition | - |
???dc.source???: dc.source | Scopus | - |
Título: dc.title | MaxDropout: Deep neural network regularization based on maximum output values | - |
Tipo de arquivo: dc.type | aula digital | - |
Aparece nas coleções: | Repositório Institucional - Unesp |
O Portal eduCAPES é oferecido ao usuário, condicionado à aceitação dos termos, condições e avisos contidos aqui e sem modificações. A CAPES poderá modificar o conteúdo ou formato deste site ou acabar com a sua operação ou suas ferramentas a seu critério único e sem aviso prévio. Ao acessar este portal, você, usuário pessoa física ou jurídica, se declara compreender e aceitar as condições aqui estabelecidas, da seguinte forma: