文献

J-GLOBAL ID：201802226636174876   整理番号：18A2022291

群集回帰のための深層計量学習【JST・京大機械翻訳】

Deep Metric Learning for Crowdedness Regression

著者 (3件)： Wang Qi (School of Computer Science and the Center for OPTical IMagery Analysis and Learning) ,  Wan Jia (School of Computer Science and the Center for OPTical IMagery Analysis and Learning, Northwestern Polytechnical University, Xi’an, China) ,  Yuan Yuan (School of Computer Science and the Center for OPTical IMagery Analysis and Learning, Northwestern Polytechnical University, Xi’an, China)
資料名： IEEE Transactions on Circuits and Systems for Video Technology  (IEEE Transactions on Circuits and Systems for Video Technology)
巻： 28  号： 10  ページ： 2633-2643  発行年： 2018年 
JST資料番号： W0321A  ISSN： 1051-8215  CODEN： ITCTEM  資料種別： 逐次刊行物 (A)
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： 混雑レベル検出と群衆計数のような交差シーン回帰タスクは有用であるが,挑戦的である。既存のアルゴリズムの性能を制限する2つの主要な問題がある。最初のものは,適切な混雑関連の特徴がシーンにおける実際の密度を反映することができないということである。深い学習は高レベル意味表現を抽出する能力があることが証明されているが,ラベルが実際にパラメータの学習を誘導するには弱すぎるので,回帰タスクに収束することは困難である。したがって,多くのアプローチは,ラベル付けの努力を増加させる学習を誘導するために,密度マップのような付加的な情報を利用する。他の問題は,多くの既存の方法が,例えば特徴抽出と回帰のために,いくつかのステップで構成されるということである。パイプラインのステップが分離されるので,これらの方法は複雑な最適化の問題に直面する。それを改善するために,深い計量学習ベースの回帰法を提案して,密度関連の特徴を抽出し,より良い距離測定を同時に学習した。より良い最適化のために訓練された提案されたネットワークは,混雑レベル検出と群衆計数を含む混雑性回帰タスクのために使用されることができる。広範な実験により,提案した方法の有効性を確認した。Copyright 2018 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： アルゴリズム ,  特徴抽出 ,  最適化 ,  ネットワーク ,  *学習 ,  距離測定 ,  *深層
準シソーラス用語： 意味表現 ,  計数 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 群集 ,  深層 ,  計量 ,  学習