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。
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】