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。
畳込みニューラルネットワーク(CNN)における特徴プーリング層(例えば,最大プーリング)はますます抽象的表現を提供し,その後の畳込み層中の計算上の節約の二重目的に役立つ。は二段階の手順としてセルラニューラルネットワークにおけるプーリング操作を:第一に,プーリング窓(例えば,2×2)は空間分解能を無傷のまま,ストライドと特徴マップをスライドし,第二,ダウンサンプリングはしばしば均一で決定論的(例えば,上部左)依存的に重ならない各プーリング窓から1ピクセルを選択することによって行った。本研究の出発点は,信号処理の観点(信号再構成の目的を持つ)からの直感的であるが,重複しないウィンドウから生じるこの規則的間隔のダウンサンプリングは学習(目標は一般化する)にとり必ずしも最適ではないことを観察した。はこの側面を研究し,確率的空間サンプリング(S3Pool)を有する新規プーリング戦略を提案し,通常のダウンサンプリングは,より一般的な確率的バージョンで置換した。はこの一般的な確率は強い正則化器として作用し,また特徴マップにおける歪を導入することによって陰的データ増強を行うと見なすことができることを観測した。さらに,異なるデータ集合とアーキテクチャに適合するように歪の量を制御する機構を導入した。提案アプローチの有効性を実証するために,いくつかの一般的な画像分類ベンチマーク上での包括的実験を行い,ベースラインモデルよりも優れた改善を観測した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】