文献

J-GLOBAL ID：201702221995737863   整理番号：17A1920648

マルチCNNモデル高レベル特徴を利用するための後期融合アプローチ【Powered by NICT】

A late fusion approach for harnessing multi-cnn model high-level features

著者 (4件)： Akilan T. (Department of Electrical and Computer Engineering, University of Windsor, Windsor, Canada) ,  Wu Q.M. Jonathan (Department of Electrical and Computer Engineering, University of Windsor, Windsor, Canada) ,  Safaei A. (Department of Electrical and Computer Engineering, University of Windsor, Windsor, Canada) ,  Jiang Wei (Department of Control Science and Engineering, Zhejiang University, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： SMC  ページ： 566-571  発行年： 2017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： 深い畳込みニューラルネットワーク(ConvNets(畳み込みニューラルネットワーク))の高レベル特徴表現は手作りの低レベル特徴よりも優れていることが証明されている。このようにして,本研究では,視覚オブジェクト/シーン分類の適用下でマルチ深いConvNets(畳み込みニューラルネットワーク)からそのような高レベル特徴を融合することの影響を調べた。において,三訓練済みConvNets(畳み込みニューラルネットワーク)は,特徴抽出器として利用した,単一隠れ層を採用して,低次元特徴空間への高レベル表現を変換することであると個々の特徴の豊富な手がかりを利用するために融合した。六ベンチマークデータベース上での実験結果は,視覚統計と課題の変化に関わらず,マルチConvNets(畳み込みニューラルネットワーク)の高レベル特徴の融合は,一つの様式と比較して分類精度をmeliorate,異なるConvNets(畳み込みニューラルネットワーク)は,映像コンテンツの相補的キューを含み,融合が最新の方法に非常に競争力のある性能を生成することができることを示した。それに加えて,この融合アプローチはConvNets(畳み込みニューラルネットワーク)に有効な補いとなっている。Copyright 2017 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： 特徴抽出 ,  待ち行列 ,  畳込み ,  *ニューラルネットワーク ,  視覚 ,  低次元 ,  隠れ層
準シソーラス用語： 映像コンテンツ ,  分類精度 ,  特徴空間 ,  シーン分類 ,  特徴表現 , 【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 (5件)： マルチ ,  CNN ,  モデル ,  高レベル ,  融合