文献

J-GLOBAL ID：201702216973249858   整理番号：17A1481309

ドメイン間にまたがる画像分類のための領域クラスコンシステンシーに基づく移動学習【Powered by NICT】

Domain class consistency based transfer learning for image classification across domains

著者 (3件)： Zhang Lei (College of Communication Engineering, Chongqing University, Chongqing 400044, China) ,  Yang Jian (School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Zhang David (Department of Computing, The Hong Kong Polytechnic University, Hong Kong)
資料名： Information Sciences  (Information Sciences)
巻： 418-419  ページ： 242-257  発行年： 2017年 
JST資料番号： D0636A  ISSN： 0020-0255  CODEN： ISIJBC  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： モデリングデータと質問データの間の分配ミスマッチは機械学習における既知のドメイン適応化問題である。この目的のために,本論文では,高レベル認識タスクのためのl_2,1ノルムベース識別ロバストカーネル転移学習(DKTL)法を提案した。鍵となるアイデアは,ドメインクラス一貫性(DCC)距離に基づく識別型部分空間学習,再生カーネルH ilbert空間におけるカーネル学習,表現学習ソースとターゲットドメイン間を同時に統合することによるロバストなドメイン移動を実現することである。DCC計量は,二つの特性:内ドメインクラス分離可能性を測定するために使用間のドメイン分布不一致とクラス一貫性を測定するために使用領域一貫性を含んでいる。提案した転移学習法の重要な目的は,DCC計量,ドメインクラス矛盾(DCIC)を最小化するための等価を最大化することである,領域分布不整合とクラス分離不能性は十分に定式化し,統一することを示した。提案した方法の利点は,(1)ロバストなスパース符号化は,知識移動中に除去された雑音(異常値)を有する2~3の貴重な情報源データを選定し,(2)提案したDCC計量は,異なるドメインのより識別部分空間を追求できることである。結果として,最大クラス分離可能性も保証されている。数視覚データセット上での包括的実験を行い,その他の最先端ドメイン適応と転移学習法よりも提案法の優位性を実証した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 不整合 ,  雑音 ,  視覚 ,  機械学習 ,  異常値 ,  定式化 ,  情報源 ,  ロバスト性 ,  *学習
準シソーラス用語： 部分空間 ,  スパースコーディング ,  分離可能性 ,  Kernel法 ,  転移学習 ,  *画像分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： 転移学習 ,  表現学習 ,  部分空間学習 ,  カーネル学習 ,  ドメイン適応

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： ドメイン ,  画像分類 ,  クラス ,  コンシステンシー ,  学習