文献

J-GLOBAL ID：201802241538058063   整理番号：18A1686299

DAGSVMと三重項損失を用いたディープネットワークによるmulticlass分類の改善【JST・京大機械翻訳】

Improving multiclass classification by deep networks using DAGSVM and Triplet Loss

著者 (3件)： Agarwal Nakul (Centre for Visual Information Technology, IIIT Hyderabad, Gachibowli, Hyderabad, Telangana 500032, India) ,  Balasubramanian Vineeth N (Department of Computer Science and Engineering, Indian Institute of Technology, Kandi, Sangareddy, Hyderabad, Telangana 502285, India) ,  Jawahar C.V. (Centre for Visual Information Technology, IIIT Hyderabad, Gachibowli, Hyderabad, Telangana 500032, India)
資料名： Pattern Recognition Letters  (Pattern Recognition Letters)
巻： 112  ページ： 184-190  発行年： 2018年 
JST資料番号： H0913A  ISSN： 0167-8655  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： コンピュータビジョンおよび特に深い学習の分野における最近の進歩により,多くの完全に接続された畳込みニューラルネットワークが,音声認識,画像分類および自然言語処理のような多様なタスクに関する最新の性能を達成するために訓練されている。しかしながら,分類タスクに対して,これらの深い学習モデルの大部分は,予測のために最も柔軟な活性化関数を採用し,交差エントロピー損失を最小化する。対照的に,著者らは,ツリーまたはDAG(指向性環状グラフ)構造において組織化された二値SVM分類器の集合によって,柔軟な層を置き換えることによって,一貫した優位性を実証した。このアイデアは,全体として多クラス分類問題を扱うことではなく,各分類器が2つのクラス間の識別に焦点を合わせることによりエキスパートとして機能し,全体の精度を改善することにより,それをより小さい二値問題に分解することである。さらに,DAG構造に分類器を配置することにより,同じ深いネットワークを通してより識別的な特徴を学習することにより,二値分類器の性能をさらに改善することができることを示した。2つのベンチマークデータセットに関する提案方法論を検証し,結果は著者らの主張を確証した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *ネットワーク ,  エントロピー ,  学習モデル ,  *三重項 ,  音声認識 ,  コンピュータビジョン ,  指向性 ,  自然言語処理 ,  ベンチマーク
準シソーラス用語： 二値分類 ,  多クラス分類 ,  環状 ,  活性化関数 ,  画像分類 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： multiclass分類 ,  ディープネットワーク ,  DAGSVM ,  三重項損失

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 (3件)： 三重項 ,  損失 ,  分類