文献

J-GLOBAL ID：201702254969460934   整理番号：17A0355533

HOGに基づく目標分類特徴の深さ学習モデル【JST・京大機械翻訳】

Deep Learning Model of Object Classification Feature Based on HOG

著者 (3件)： He Xiping (Chongqing Key Laboratory of Electronic Commerce and Supply Chain System, Chongqing Technology and Business University, Chongqing Engineering Laboratory for Detection,Control and Integrated System) ,  Zhang Qionghua (Library, Chongqing Technology and Business University) ,  Liu Bo (Chongqing Key Laboratory of Electronic Commerce and Supply Chain System, Chongqing Technology and Business University, Chongqing Engineering Laboratory for Detection,Control and Integrated System)
資料名： Jisuanji Gongcheng  (Jisuanji Gongcheng)
巻： 42  号： 12  ページ： 176-180,187  発行年： 2016年 
JST資料番号： C2532A  ISSN： 1000-3428  CODEN： JISGEV  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 低配置計算環境における視覚目標の実時間オンライン分類特徴抽出の時間性と分類精度を向上させるために,新しい目標分類特徴深さ学習モデルを提案する。迅速の要求に従って,分類器モデルのオフライン深さ学習の戦略を採用して,オンライン訓練時間を節約した。ネットワークの深さ制限と高認識率の要求に対して、画像の局部方向勾配ヒストグラム(HOG)の特徴を抽出し、まばらな自己作成Ma器桟を構築し、HOG特徴に対して深いレベルの符号化を行い、SOFTMAXマルチ分類器が抽出した特徴を設計し、分類を行った。深さニューラルネットワークモデルの学習過程において,各層の構造リスクを最小化し,全ネットワークパラメータを調整するための二段階最適化戦略を導入した。シーン101と手書きデジタルライブラリMNISTの訓練サンプルと試験サンプルの比較実験を行い,結果は,このモデルが局所的特徴抽出において単一層畳込みニューラルネットワーク(CNN)モデルより優れていることを示した。分類精度は,CNN,,符号器などの比較モデルよりも高かった。Data from the ScienceChina, LCAS. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 電子図書館 ,  畳込み ,  ヒストグラム ,  ニューラルネットワーク ,  ネットワーク ,  特徴抽出 ,  符号器 ,  最適化 ,  *学習モデル
準シソーラス用語： ネットワークパラメータ ,  学習過程 ,  神経回路網モデル ,  認識率 ,  分類精度 ,  オンライン , 【Automatic Indexing@JST】

著者キーワード (5件)： computer vision ,  object classification ,  Histogram of Oriented Gradients (HOG) feature ,  Stacked Autoencoder(SAE) ,  deep learning

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： HOG ,  目標 ,  分類 ,  学習モデル