文献

J-GLOBAL ID：201802218168021739   整理番号：18A2231805

深層学習顕著性モデルは本当にモデルの顕著性をモデル化するか?【JST・京大機械翻訳】

Do Deep-Learning Saliency Models Really Model Saliency?

著者 (5件)： Kong Phutphalla (Dept. Information and Communication Engineering, Institute of Technology of Cambodia (ITC)) ,  Mancas Matei (Faculty of Engineering (FPMs), University of Mons (UMONS), Mons, Belgium) ,  Thuon Nimol (Dept. Information and Communication Engineering, Institute of Technology of Cambodia (ITC)) ,  Kheang Seng (Dept. Information and Communication Engineering, Institute of Technology of Cambodia (ITC)) ,  Gosselin Bernard (Faculty of Engineering (FPMs), University of Mons (UMONS), Mons, Belgium)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ICIP  ページ： 2331-2335  発行年： 2018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： 視覚的注意は,人間の視覚システムが網膜によって獲得された視覚情報の巨大な流れを効果的に扱うことを可能にする。2000年以来,人間の視覚システムはコンピュータビジョンにおいてモデル化され始め,異常,まれ,および驚くべきデータを予測した。注意はボトムアップ(主に特徴ベース)とトップダウン(主に学習ベース)情報の間の連続的相互作用の積である。Deep学習(DNN)は,現在,非常に効果的なモデルによる視覚的注意モデリングにおいて十分に確立されている。本論文の目的は,ボトムアップ対トップダウンの注意の重要性を調査することである。最初に,トップダウン情報古典的ボトムアップモデルを用いて豊かにした。次に,結果をDNNベースのモデルと比較した。著者らの証明的質問は,「深い学習の顕著性モデルは,実際に顕著性を予測するか,または興味あるオブジェクトを簡単に検出する」ということである。DNNの顕著性モデルがトップダウンの特徴を非常に正確に検出するならば,それらは驚くべき,稀な多くのボトムアップ情報を無視し,その結果,学習が困難な定義によるものであることを見出した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  相互作用 ,  *モデリング ,  網膜 ,  コンピュータビジョン
準シソーラス用語： トップダウン ,  ボトムアップ ,  視覚情報 ,  視覚システム ,  視覚的注意 ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 深層学習 ,  モデル ,  モデル化