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。
学習視覚属性は零ショット認識のための有効なアプローチである。しかし,既存の方法ではnameable属性を明示的に学習に限定され,属性である認識タスクに対してより重要な求めることができない。本論文では,グループ化されたSimileアンサンブル(GSE)と命名した統一フレームワークを提案した。は次のように著者らの寄与を主張した。1)similes,複雑な未知のクラスを記述することができるより自然な表現によって明確な属性注釈付けを置換することを提案した。直喩は,属性の余分な概念を含まない,すなわち見られるクラスの例のみが必要である。二つのベンチマークデータセット,AwAとaPYのsimilesを注釈する効率的なシナリオを提供した。2)similesから陰的属性を効果的に発見へのグラフカットベースクラスクラスタリングアルゴリズムを提案した。3)GSEは,予測を行うのに最も効果的なsimile基を自動的に見出すことができる。両データセットについて,広範な実験結果は,提案アプローチが,最先端の方法よりも性能を著しく改善できることを明らかにした。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】
