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)は,カラー画像のための知覚を大幅に改良し,ソナー画像への応用についても良好な結果を得ている。しかし一般的にCNNは,大データセット,かなりの数のハイパーパラメータのマニュアルチューニングを必要としない訓練と,設計者が多くの注意深い決定を必要とすることは困難である。本研究では,CNN設計者,すなわち転移学習の性能,オブジェクト/画像サイズの影響とトレーニングセットサイズの間の関係である必要があることを三種の一般的な意思決定を評価した。三CNNモデル,すなわちLeNetに基づいた関数及びSqueezeNetから火災モジュールに基づく二を評価した。著者らの発見は,SVMを用いた転移学習は非常によく機能して,列車と移動セットは一般にクラスを持たない場合でも,高い分類性能は,ターゲットデータセットが小さくても得ることができた。バッチ正規化と組み合わせたADAMオプティマイザは高精度CNN分類器を,小さな画像サイズ(16画素)でもできる。クラス当たり少なくとも50試料は90%試験精度を得るために必要であり,小さなデータセットを用いたドロップアウトを用いて性能を改善するが,大規模データセットが利用可能であるときにバッチ正規化は良好であった。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】