文献

J-GLOBAL ID：201802252510354416   整理番号：18A0618747

深学習における指数関数的弁別計量埋め込み【Powered by NICT】

Exponential discriminative metric embedding in deep learning

著者 (4件)： Wu Bowen (Center for Combinatorics, Nankai University, Tianjin 300071, China) ,  Chen Zhangling (Center for Applied Mathematics, Tianjin University, Tianjin 300072, China) ,  Wang Jun (School of Mathematics, Tianjin University, Tianjin 300072, China) ,  Wu Huaming (Center for Applied Mathematics, Tianjin University, Tianjin 300072, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 290  ページ： 108-120  発行年： 2018年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 最近物体認識における畳込みニューラルネットワーク(CNN)により達成した顕著な成功により,深層学習は,コンピュータビジョンの分野で広く用いられている。,従来の計量学習を用いた深層学習を統合した深いメトリック学習(DML)は多くの分野で新しい記録,特に分類タスクを設定した。本論文では,指数関数的特徴射影空間における大きなマージンを持つもう一つのクラス中心へのこの試料の平均距離から離れた試料とその指定されたクラス中心間の距離を強制する,を含むと除外(IE)損失と呼ばれる,複製可能なDML法を提案した。IE損失の監視を用いて,クラス内コンパクト性およびクラス間分離可能性を高めるためにCNNを訓練,物体認識顔検証~いくつかの公開データセットに大きな改善をもたらした。異なる能力を持つ三種類のネットワークについていくつかの典型的なDML法と提案アルゴリズムの比較研究を行った。三物体認識データセットおよび二種の顔認識データセット上での包括的な実験を行い,IE損失は他の主流DML手法よりも優れている常にと最新の結果に近づくことを示した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： アルゴリズム ,  コンピュータビジョン ,  コンパクト性 ,  *指数関数 ,  ネットワーク ,  *学習 ,  物体認識 ,  複製
準シソーラス用語： 顔貌認識 ,  分離可能性 ,  射影空間 ,  メトリック学習 ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 深部計量学習 ,  物体認識 ,  顔検証 ,  クラス間コンパクト性 ,  クラス間分離可能性

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (4件)： 学習 ,  指数関数 ,  計量 ,  埋め込み