文献

J-GLOBAL ID：201702225708782816   整理番号：17A1398493

マルチタスク正則化を用いたクロスモーダル深部計量学習【Powered by NICT】

Cross-modal deep metric learning with multi-task regularization

著者 (2件)： Huang Xin (Institute of Computer Science and Technology, Peking University, Beijing 100871, China) ,  Peng Yuxin (Institute of Computer Science and Technology, Peking University, Beijing 100871, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICME  ページ： 943-948  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： DNNベースクロスモーダル検索は,研究ホットスポット,ユーザが画像とテキストのような種々の方法間の結果を探索できるとなっている。しかし,既存の方法は主にラベル付きデータのペアワイズ相関と再構成誤差に焦点を当てた。異なるモダリティ間の意味的に同種および異種制約を無視しており,ラベルなしデータの利点を活かすことができない。本論文では,マルチタスク正則化(CDMLMR)クロスモーダル深部メトリック学習,統一マルチタスク学習アーキテクチャにおけるモデル化クロスモーダル意味的類似性のための四つ組ランキング損失と半教師つき対照損失を統合したを提案した。四重項ランキング損失,クロスモーダル相対類似性ランキング情報を保存するために意味的に同種および異種制約モデル化できる。半教師つき対照損失はラベル付きデータおよびラベル無しデータの両者の上での意味論的類似性を最大化することができた。既存の方法と比較して,CDMLMRは類似性ランキング情報ラベル付けされていないクロスモーダルデータを利用して,クロスモーダル検索精度を向上させる。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： *深部 ,  モデリング ,  類似性 ,  *学習 ,  再構成 ,  *正則化 ,  意味論 ,  計算機アーキテクチャ ,  ホットスポット ,  等級づけ ,  画像
準シソーラス用語： マルチタスク学習 ,  メトリック学習 ,  モダリティ ,  *マルチタスク , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： マルチタスク ,  正則化 ,  深部 ,  計量 ,  学習