文献

J-GLOBAL ID：201802240770962647   整理番号：18A0196423

深い学習のための訓練データの増強と評価【Powered by NICT】

Augmentation and evaluation of training data for deep learning

著者 (3件)： Ding Junhua (Department of Computer Science, East Carolina University, Greenville, NC, USA) ,  Li XinChuan (School of Computer Science, China University of Geosciences, Wuhan, China) ,  Gudivada Venkat N. (Department of Computer Science, East Carolina University, Greenville, NC, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： Big Data  ページ： 2603-2611  発行年： 2017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： 深層学習はビッグデータから価値を抽出するための重要な技術である。しかし,深い学習の有効性を大容量高品質訓練データを必要とする。多くの場合,訓練データの大きさは深層学習分類器の効果的訓練のための十分な大きさではない。データ増強は,訓練データの量を増加させるための広く採用されている方法である。しかし拡張データの品質は疑わしい可能性がある。,訓練データの系統的評価が重要である。さらに,訓練データが雑音の多い場合,ノイズデータを分離する自動的に必要である。本論文では,ノイズの多いデータから良好な訓練データを自動的に分割するための深層学習分類器を提案した。深層学習分類器を訓練効果的にするために,元の訓練データは,分類器の入力フォーマットに適合するように変換する必要がある。さらに,限られた大きさ元の訓練データから十分な量の訓練データを生成するために,異なるデータ増強手法を調べた。異なる分類アルゴリズムを用いた分類精度の交差検証法により訓練データの品質を評価した。も各データ項目のパターンをチェックし,データセットの分布を比較した。大量生物医学画像の自動分類の実験的研究を通して提案アプローチの有効性を示した。著者らのアプローチは一般的であり,他のビッグデータドメインに容易に適応可能である。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 画像 ,  交差検証法 ,  雑音 ,  品質 ,  *自動分類
準シソーラス用語： 実験研究 ,  生物医学 ,  分類精度 ,  分類アルゴリズム ,  高品質 ,  大容量 ,  ビッグデータ ,  深層学習 ,  *訓練データ , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 学習 ,  訓練データ ,  増強 ,  評価