抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
より深いニューラルネットワークである列車がより困難になる。以前に使用されたものよりも実質的に深いことをネットワークの訓練を容易にする残留学習フレームワークを提案した。層入力に関連した学習残留関数として層を再定式化し,unreferenced学習関数の代わりに。はこれらの残留ネットワークは最適化する容易であり,かなり増加した深さから精度を得ることができることを示した包括的な実験的証拠を提供する。ImageNetデータセットについて,152層まで 8×より深いVGGよりネット[40]低い複雑性を持つが,の深さと残留ネットを評価した。これら残留ネットの集合は,ImageNet試験セットに対して3.57%の誤差を達成した。この結果はILSVRC2015分類タスクに第一位で優勝した。も十万千層を持つCIFARに解析を提示した。表現の深さは,多くの視覚認識タスクにとって最も重要である。大深度表現のためにのみ,COCO物体検出データセット上で28%の相対的改善を得た。深部残留ネットはILSVRC&COCO2015competitions1に著者らの提案の基礎である,もImageNet検出,ImageNet局在,COCO検出,COCOセグメンテーションのタスクに関する第一回場所で優勝した。Copyright 2016 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
