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。
深さ配列からの行動認識のための既存のRNNベースアプローチは,入力として骨格継手または手作りの深さ特徴のいずれかを必要とする。エンドツーエンド様式,行動クラス生深さマップからのマッピング,であることを事実に起因する設計への自明でない1)組織を欠く単一チャネルマップは,このように識別力,2)比較的小さな組深さの訓練データを弱めた。これらの課題に取り組むために,筆者らは三段階で特権情報(PI)により駆動されたRNNを学習するために,提案した符号器は,深さ出現とPI(すなわち骨格関節)の関節包埋を学習するために,予め訓練された。学習された埋め込み層を学習段階で調整し,マルチタスク損失の形でPIを利用することによりネットワークの最適化を目的とした。しかし,二次タスクとしてPIを利用したそれらの間のギャップに起因する一次タスク(すなわち分類)の性能を改善するために少しの援助を提供する。最後に,架橋マトリックスは潜在的PI精製段階を発見することにより二つのタスクを接続するために定義した。PIベース分類損失は潜在的PIと予測分布間の整合性を維持する。潜在PIとネットワークを反復的に期待値最大化手順で推定し,更新した。提案した学習プロセスは,微妙な深さ差をモデル化するために大きな識別力,不足訓練データ過剰適合を避ける助けた。著者らの実験は,三公開ベンチマークデータセットと著者らの新たに収集したブランケットデータセット上での最先端手法に対して大きな性能利得を示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】