文献

J-GLOBAL ID：201802239022778603   整理番号：18A2041082

プログレッシブ仮想データセット生成によるDNN設計の確率的機能検証【JST・京大機械翻訳】

Stochastic Functional Verification of DNN Design through Progressive Virtual Dataset Generation

著者 (7件)： Choi Jinhang (Pennsylvania State University, University Park, School of Electrical Engineering and Computer Science, PA 16802, USA) ,  Irick Kevin M. (SiliconScapes LLC, USA) ,  Hardin Justin (Pennsylvania State University, University Park, School of Electrical Engineering and Computer Science, PA 16802, USA) ,  Qiu Weichao (Johns Hopkins University, Department of Computer Science, Baltimore, MD 21218, USA) ,  Yuille Alan (Johns Hopkins University, Department of Computer Science, Baltimore, MD 21218, USA) ,  Sampson Jack (Pennsylvania State University, University Park, School of Electrical Engineering and Computer Science, PA 16802, USA) ,  Narayanan Vijaykrishnan (Pennsylvania State University, University Park, School of Electrical Engineering and Computer Science, PA 16802, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ISCAS  ページ： 1-5  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： 複雑な知能問題に対する最先端の解として,深いニューラルネットワークが出現した。DNNsは,教師つきまたは半教師つき方式のいずれかにおいて数百万の訓練例から学習により予測力を引き出す。このように,DNNシステム設計手順の重要な側面は,問題空間の高い被覆率を示す大規模な注釈付き訓練データセットの収集である。データ合成とアノテーション技術は大規模データセットの獲得の負担を軽減するために提案されているが,これらの方法は各生成データセットの有用性と訓練努力に対するその後の影響を定量化しない。本研究では,マシンビジョンアプリケーションのためのDNNsの自律設計とハードウェア設計を機能的に検証するタスクの間の並列を確立した。自動テストベクトル生成と同様に,仮想合成モデルを用いて訓練データセットを次第に生成する手法を提案した。さらに,機能検証からの洞察を利用して訓練と検証サイクルの数を最小化しながら,訓練範囲を確率的に最大化することを同時に試みる自動化DNN設計フレームワークを提案した。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： アノテーション ,  自動化 ,  ベクトル ,  システム設計 ,  応用プログラム ,  被覆率 ,  予測 ,  ハードウェア設計 ,  ニューラルネットワーク ,  *自動試験
準シソーラス用語： 訓練データ ,  自律性 ,  マシンビジョン ,  大規模データセット ,  最先端 , 【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 (5件)： 仮想 ,  データセット ,  設計 ,  確率 ,  検証