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。
スケッチ認識は手書きディジタルインクを変換記号計算機表現への課題である。スケッチ認識の初期から,現場の作業の大部分は特異的ドメインの正確な認識アルゴリズムの構築に焦点を当て,良く定義されたデータセット。これまで調べ認識法は標準的な機械学習パイプラインを用いて開発し,評価し,その結果として多くの単純化仮定上で構築した。例えば,既存のフレームワークは,記号クラスの固定集合の存在,および多くの注釈付き例の利用可能性を仮定している。しかし,実際には,これらの仮定が成立しない。実際には,スケッチ認識システムの設計者は,全くラベル付きデータで開始するのではない,データアノテーションの負担に直面している。本研究では,非常に少ないラベル付き事例から学ぶことができることを建築システム,大量のラベルなしデータの注釈の負担を軽減するために提案した。著者らのシステムは,ラベル付けされていないスケッチから抽出した新しい例と非常に小さなラベル付き例を拡張する自動的に自己学習を行った。最終結果は,十分に大きな集合ラベル付き訓練データの,これは続いて分類器を訓練するために使用できることである。実施困難と実行時間複雑さのレベルを変化させた四自己学習法を提案した。これらの方法の一つは,検証可能より多様な訓練インスタンスを構築するための文脈的共起パターンを活用した。大データセットの厳密な実験は,文脈情報を利用することに基づいて,この新しいアプローチは,認識性能の大幅な飛躍をもたらすことを示した。側の貢献として,ここではまた,いくつかの陽性例と多くの異常値を持つ不均衡データセットにおけるスケッチ認識のためのバギングの有用性を実証した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】