文献

J-GLOBAL ID：201702253606015727   整理番号：17A1773430

教師なしドメイン適応化のための深いハッシングネットワーク【Powered by NICT】

Deep Hashing Network for Unsupervised Domain Adaptation

著者 (4件)： Venkateswara Hemanth ,  Eusebio Jose ,  Chakraborty Shayok ,  Panchanathan Sethuraman
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： CVPR  ページ： 5385-5394  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： 近年,深いニューラルネットワークは,多種多様なアプリケーションドメインの支配的な機械学習ツールとして出現した。しかし,深いニューラルネットワークを訓練する大量のラベル付きデータ,時間,労力と人間の専門知識の観点から高価なプロセスを必要とする。ドメイン適応または転移学習アルゴリズムでは異なるが,関連する根源領域におけるラベル付きデータを活用し,目標領域のためのモデルを開発することにより本課題に取り組んだ。さらに,ディジタルデータの爆発的な成長は,その蓄積と検索に関する基本的な課題となっている。貯蔵と検索効率のために,近年,様々なコンピュータビジョン応用のハッシングの広い応用を目撃した。本論文では,まず,オフィスホーム,新しいデータセットを導入しドメイン適応アルゴリズムを評価した。データセットは,複数ドメインから様々な日常物体の画像を含んでいる。情報ハッシュ符号を学習するために,未知のターゲットデータを正確に分類するために標識源データとラベル付けされていない標的データを利用できる新規な深学習フレームワークを提案した。著者らの知識の及ぶ限りでは,これはドメイン適応化問題を解決するために,代表的なハッシュ符号を学習するための深層ニューラルネットワークの特徴学習能力を利用する,最初の研究努力である。多重移動タスクに関する著者らの包括的な経験的研究は,教師なしドメイン適応化のための既存の競合ベースラインをより効率の良い学習効率的ハッシュ符号におけるフレームワークの有用性を確認した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： ニューラルネットワーク ,  学習 ,  コンピュータビジョン ,  検索効率 ,  *ハッシング ,  学習アルゴリズム ,  基準線 ,  画像
準シソーラス用語： 学習効率 ,  学習能力 ,  適応アルゴリズム ,  ディジタルデータ ,  専門知識 ,  学習ツール ,  *適応化 , 【Automatic Indexing@JST】

分類 (2件)： 脳・神経系モデル  (EL02050C) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 教師 ,  ドメイン適応 ,  ハッシング