文献

J-GLOBAL ID：201602282948217575   整理番号：16A1384765

活性検出と早期検出のためのLSTMsにおける学習活動の進行【Powered by NICT】

Learning Activity Progression in LSTMs for Activity Detection and Early Detection

著者 (3件)： Ma Shugao ,  Sigal Leonid ,  Sclaroff Stan
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2016  号： CVPR  ページ： 1942-1950  発行年： 2016年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本研究では,活性検出と早期発見タスクのための活性進行を学習に時間的深いモデルの訓練を改善した。従来,リカレントニューラルネットワーク,特に長い短期記憶(LSTM)モデルを訓練すると,訓練損失は分類誤差のみを考慮する。しかし,または正解カテゴリと不正解カテゴリの検出スコア縁辺,正しい活性カテゴリーの検出スコアは,モデルがより活性を観測として単調非減少すべきであることを論じた。はこのような単調性の破れに対するモデルを不利に直接新しいランキング損失,LSTMモデルの訓練における分類損失と共に使用されるを設計した。ActivityNetの評価は活性検出と早期発見タスクの両方で提案したランキング損失の顕著な利点を示した。Copyright 2016 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *等級づけ
準シソーラス用語： 短期記憶 ,  リカレントニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 活性 ,  早期 ,  学習活動