文献

J-GLOBAL ID：201702254507289860   整理番号：17A1726756

小さいサンプルサイズ状況における水中画像認識のための深い学習【Powered by NICT】

Deep learning for underwater image recognition in small sample size situations

著者 (2件)： Jin Leilei (School of Marine Science and Technology, Northwestern Polytechnical University, Xi’an, China) ,  Liang Hong (School of Marine Science and Technology, Northwestern Polytechnical University, Xi’an, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： OCEANS  ページ： 1-4  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： 水中標的認識は,海洋の無制限環境のために挑戦的な課題である。大規模データセットを用いて,深い学習法は,空気中の物体を画像認識に大きな成功を適用した。しかし,深いニューラルネットワーク(DNNs)は小さなサンプルで過剰適合を容易に起こすことが観察された。水中画像取得は常に非常に労働力を必要とし,多くは,DNN訓練のための十分なサンプル画像を得ることを困難にするであった。に加えて,水中カメラによりキャプチャされた画像は通常雑音により劣化する。例として活魚認識をして,小さいサンプルサイズ状況における水中画像認識のためのフレームワークを提案した。利用魚画像の雑音を抑制した新しい改良メディアンフィルタ。,畳込みニューラルネットワークは世界最大の画像認識データベースImageNetから画像を使った前訓練した。最後に,前処理された魚画像を用いて微細予備訓練ニューラルネットワークを調整し,分類性能を試験した。実験結果から,このアプローチは,魚種,小サンプルサイズ状況における認識タスクを解くための効果的な方法を認識できることを示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： *画像 ,  *学習 ,  メディアンフィルタ ,  雑音 ,  データベース ,  物体認識 ,  水中カメラ ,  畳込み ,  *画像認識 ,  前処理 ,  労働力 ,  ニューラルネットワーク ,  海洋
準シソーラス用語： 大規模データセット ,  *水中画像 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： サンプルサイズ ,  状況 ,  水中画像 ,  学習