文献

J-GLOBAL ID：201702252831272328   整理番号：17A0967465

変動の他の保持因子による物体認識のための学習【Powered by NICT】

Learning to Recognize Objects by Retaining Other Factors of Variation

著者 (3件)： Zhao Jiaping ,  Chang Chin-Kai ,  Itti Laurent
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： WACV  ページ： 560-568  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： ConvNets(畳み込みニューラルネットワーク)は,単一タスク分類問題として自然画像から物体認識を定式化し,オブジェクトカテゴリーに有用であるが,姿勢と照明のような変動の他の要因に不変特徴を学習するために試みた。これらの他の因子を学習明示していない,その代わりに,それらは通常プーリングと正規化によりそれらを廃棄する。は逆のアプローチ:我々は他の因子(著者らの場合にもたらす)を保持し,オブジェクトカテゴリーと共同でそれらを学習による物体認識のためのConvNets(畳み込みニューラルネットワーク)の訓練を行った。新しいマルチタスク学習(MTL)ConvNet,解きほぐすCNN(disCNN)と命名した物体同定と姿勢の絡み合いを解かれた表現を明示的に,オブジェクトカテゴリーを予測し,変換をもたらすように訓練を設計した。disCNNはiLab20Mデータセット,詳細な姿勢と照明情報を用いた大規模ターンテーブルデータセット上のオブジェクトカテゴリーを予測するためにのみ訓練されたベースラインCNNよりも有意に良好な物体認識精度を達成した。iLab20Mにpretrained特徴はワシントンRGB-DとImageNetデータセットの両方に一般化ことを示し,pretrained非CNN特徴であるImageNetの微調整のためのpretrainedベースラインCNN特徴よりも有意に良好であった。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： からみ合 ,  ニューラルネットワーク ,  *学習 ,  *保持因子 ,  照明 ,  正規化 ,  *物体認識 ,  基準線 ,  定式化 ,  畳込み ,  ワシントン州 ,  不変性
準シソーラス用語： RGB-D ,  マルチタスク学習 ,  自然画像 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 保持因子 ,  物体認識 ,  学習