文献

J-GLOBAL ID：201302244058606589   整理番号：13A1789979

「Deep Learning(深層学習)」〔第4回〕画像認識のための深層学習

著者 (1件)： 岡谷貴之 (東北大 大学院情報科学研究科)
資料名： 人工知能学会誌  (Journal of the Japanese Society for Artificial Intelligence)
巻： 28  号： 6  ページ： 962-974  発行年： 2013年11月01日 
JST資料番号： X0330A  ISSN： 0912-8085  資料種別： 逐次刊行物 (A)
記事区分： 解説  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 多層ニューラルネットワーク(NN)の学習には,1)学習最適化の工夫,2)ネットワーク構造の工夫,3)学習サンプルを増やすデータ拡張といった方法論がある。本論文では,深層学習の応用として画像認識で中核をなす2)の代表例である,畳込みニューラルネットワーク(CNN)について解説した。まず,畳込み層とプーリング層を交互に接続したCNNの構造と学習方法を示した。次に,i)画像からの局所特徴の抽出,ii)符号化,iii)プーリングからなる一般物体認識の従来法を説明し,特徴抽出とプーリングを繰り返し行うCNNの優位性を論じた。また,畳込み層のフィルタの学習の有無が認識性能に影響しないとのJarrettらによる実験結果を示し,認識性能の向上にはネットワーク構造の最適化が必要となることを説明した。一方,画像特徴の教師なし学習としてオートエンコーダにスパース正則化を加えたスパースオートエンコーダでは,一般物体認識のデータセットCIFAR-10の学習によって6割弱の認識率が得られた。さらに,全結合層を単純に積み上げるのではなく,CNNのような構造のネットワークをボルツマンマシンとして記述した畳込みディープビリーフネット,及びLeらの9層のNNを再構成型トポグラフィック独立成分分析で教師なし学習した研究ではより興味深い結果が得られることを示した。

シソーラス用語： *ニューラルネットワーク ,  多層構造 ,  *機械学習 ,  *画像認識 ,  畳込み ,  特徴抽出 ,  フィルタ ,  評価試験 ,  改良 ,  ネットワーク構造 ,  最適化 ,  教師なし学習 ,  符号器 ,  独立成分分析
準シソーラス用語： *深層学習 ,  性能向上 ,  *多層ニューラルネットワーク

分類 (3件)： ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： 深層学習 ,  画像認識