文献

J-GLOBAL ID：201702253777401237   整理番号：17A0451062

平衡ツリーを学習することによる効率的な大規模マルチクラス画像分類【Powered by NICT】

Efficient large-scale multi-class image classification by learning balanced trees

著者 (7件)： Mai Tien-Dung (University of Information Technology, VNU-HCM, Ho Chi Minh City, Vietnam) ,  Ngo Thanh Duc (University of Information Technology, VNU-HCM, Ho Chi Minh City, Vietnam) ,  Le Duy-Dinh (University of Information Technology, VNU-HCM, Ho Chi Minh City, Vietnam) ,  Le Duy-Dinh (National Institute of Informatics, 2-1-2 Hitotsubashi, Chiyoda-ku, Tokyo, Japan) ,  Duong Duc Anh (University of Information Technology, VNU-HCM, Ho Chi Minh City, Vietnam) ,  Hoang Kiem (University of Information Technology, VNU-HCM, Ho Chi Minh City, Vietnam) ,  Satoh Shin’ichi (National Institute of Informatics, 2-1-2 Hitotsubashi, Chiyoda-ku, Tokyo, Japan)
資料名： Computer Vision and Image Understanding  (Computer Vision and Image Understanding)
巻： 156  ページ： 151-161  発行年： 2017年 
JST資料番号： W0185A  ISSN： 1077-3142  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 大規模マルチクラス画像分類はビッグデータ応用に必須である。挑戦の一つは,クラスの数が非常に大きいとその計算量はクラスの数に対して線形ための標準法one-versus-all法は適切でない状況に対処することである。ラベルツリーを用いた複雑性を低減するために一般的な方法である。組織クラス階層構造に適用することにより,ルートノードから移動する葉ノードに試験試料の分類器評価の数は有意に減少した。平衡学習木を持つことはこのアプローチに必須である。木構造を学習するための現在の方法は混乱クラスグループノードに関連するクラスタにクラスタリング技術を用いて,k-平均またはスペクトルクラスタリングのような,。しかし,このような症例では出力は平衡ではないかもしれない。本論文では,バランスと混乱制約を最適化する併用による効果的でバランスのとれた木を学習するための方法を提案した。Caltech256SUN CR397,ILSVRC2010 1K,ImageNet10Kを含む大規模データセット上での実験を行いその結果,提案手法は,他の最新技術手法の性能を上回る事を示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 階層構造 ,  カオス ,  計算量 ,  最適化 ,  クラスタ ,  線形性 ,  *学習 ,  クラスタ化 ,  木構造 ,  複雑性 ,  ビッグデータ ,  改変
準シソーラス用語： 大規模データセット ,  スペクトラルクラスタリング ,  *画像分類 , 【Automatic Indexing@JST】

著者キーワード (6件)： 大規模画像分類 ,  マルチクラス分類 ,  ラベルツリー学習 ,  平衡ツリー ,  階層的分類 ,  クラスタリング

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： 平衡 ,  学習 ,  大規模 ,  マルチ ,  クラス ,  画像分類