文献

J-GLOBAL ID：201802244033472782   整理番号：18A1102973

深さ学習に基づく画像記述研究【JST・京大機械翻訳】

Research on image interpretation based on deep learning

著者 (4件)： Yang Nan (中国科学院沈陽自動化研究所,遼寧 沈陽110016;中国科学院大学,北京100049) ,  Nan Lin (中国科学院沈陽自動化研究所,遼寧 沈陽110016;中国科学院大学,北京100049) ,  Zhang Dingyi (中国科学院沈陽自動化研究所,遼寧 沈陽110016;中国科学院大学,北京100049) ,  Ku Tao (中国科学院沈陽自動化研究所,遼寧 沈陽110016;中国科学院大学,北京100049)
資料名： Hongwai yu Jiguang Gongcheng  (Hongwai yu Jiguang Gongcheng)
巻： 47  号： 2  ページ： 9-16  発行年： 2018年 
JST資料番号： C2521A  ISSN： 1007-2276  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： コンボリューションニューラルネットワーク(ConvolutionNeuralNetworks;CNN)と循環ニューラルネットワーク(RecurrentNeuralNetworks)。RNNは画像分類、コンピュータビジョン、自然言語処理、音声認識、機械翻訳、意味分析などの分野で迅速に発展している。現在、画像記述に存在する主な問題は、入力テキストデータのスパース性、モデルの過フィッティング、モデル損失関数の振動が収束しにくいなどの問題がある。本論文では,ベースラインモデルとしてNICを用い,データスパースネス問題に対して,ベースラインモデル中のテキストone-hot表現を改変し,文書をword2vecを用いてマッピングし,オーバフィッティングを防いだ。パラメータの反復更新を,AdamOptimizer最適化器を用いて実施した。実験結果は,改良モデルのパラメータが減少し,収束速度が大幅に加速し,損失関数曲線がより滑らかになり,最大損失が2.91まで減少し,モデルの精度がNICより15%近く向上することを示した。.....:............................実験により、モデルの中にword2vecを用いて、テキストに対してマッピングを行うことで、データスパースネス問題を明らかに緩和することができ、正規項目とDropout技術を併用し、モデルのフィッティングを有効に防止できることを証明した.。......O.............................Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： コンピュータビジョン ,  音声認識 ,  *画像 ,  自然言語処理 ,  ニューラルネットワーク ,  最適化 ,  損失関数 ,  機械翻訳
準シソーラス用語： 収束速度 ,  テキスト ,  スパース性 ,  テキストデータ ,  画像分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： convolution neural networks ,  recurrent neural networks ,  gated recurrent unit ,  natural language processing ,  image description

分類 (4件)： 自然語処理  (JE06000L) ,  人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 学習 ,  記述 ,  研究