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。
大規模データセットを視覚認識のための深いニューラルネットワークの開発を導いた。しかし,大量データセットのアノテーションは高価で時間がかかる。Web画像とそれらのラベルは,比較して,得ることがはるかに容易であるが,そのようなautomatially収穫画像上で直接訓練は不満足な性能を実現することができる,Web画像の雑音のあるラベルを学習認識モデルに悪影響を及ぼすからである。この欠点に対処するためには,Web画像におけるラベル雑音にロバストなエンドツーエンド弱教師つき深層学習フレームワークを提案した。提案したフレームワークは,雑音のあるWeb画像アノテーションの負の影響を効果的に削減するためのランダムグルーピングと注意 二つの統一された戦略に依存している。特に,ランダムグループ化は複数の画像を積み重ね単一訓練インスタンスに,例えばレベルでラベル付け精度を増加した。一方,注意は不正確に標識画像とより少ない識別画像領域の両方からの雑音の多い信号を抑制した。二つの挑戦的なデータセット,異なる自動車モデルのWeb画像と新たに収集した細粒データセットを含むに関する集中的な実験を行うことにより,競合ベースラインに比べて,提案手法の優れた性能を明確に示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】