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。
車両,自然物体と他のクラスのような物体の細粒度分類は視覚認識における重要な問題である。類似に見えるオブジェクト間の局所的な小さい差は特定の細粒ラベルを示すため,挑戦的な課題である。同時に,正確な分類は閉塞,部分ビューとシーンにおける他のクラッタ物体への近接により起こされた外観のスプリアス変化を減じることが必要である。細粒認識への主要な寄与因子は,識別部分と物体の領域が存在した。過去の研究はしばしば複雑なモデルとアドホックアルゴリズムをもたらす分類と部分局在化の問題を別々に解く試み,精度と処理時間の低性能をもたらした。訓練データからの学習による部品と細粒クラスラベルの局在の両方を同時最適化する新しいマルチタスク深いネットワークアーキテクチャを提案した。局在と分類サブネットワークは,重みの大部分を共有するが,微細レベルクラス特異的情報を捕捉するために専用の畳込み層を有していた。モバイルアプリケーションに埋め込まれた容易にできるように,著者らは,このモデルメモリと計算効率を設計した。Stanford車196データセットに新しい最先端93.1%の性能を達成し,最近公表された結果と比較して有意に小さいマルチタスクネットワーク(30mパラメータ)及び著しく速い試験速度(78 FPS)実験を通して,提案アプローチの有効性を示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】