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。
最近,非常に深い畳込みニューラルネットワーク(CNN)は物体認識における優れた性能を示し,また,意味的セグメンテーションのような密な分類問題のための第一選択されてきた。しかし,深いセルラニューラルネットワークにおけるプーリングまたは畳込み跨ぐような繰り返しサブサンプリング操作は初期画像分解能の有意な減少をもたらした。RefineNet,長距離残留接続を用いた高分解能予測を可能にするためにダウンサンプリングプロセスに沿って利用可能な全ての情報を利用した明示的に一般的なマルチパス微細化ネットワークを示した。このようにして,高レベル意味論的特徴を捕捉するより深い層は,以前の畳込みからの細粒特徴を用いて精密化できた。RefineNetの個々の成分は恒等写像の考え方,効果的なエンドツーエンド訓練を可能にする後の残留接続を採用した。さらに,鎖状残留プーリング,効率的に豊富な背景文脈を捕捉することを導入した。包括的な実験を行い,七の公共データ集合での新しい最先端技術の結果を設定した。特に,挑戦的なPASCAL VOC2012データセットに交差の和集合スコア83.4の,今日まで報告された最良の結果を達成した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】