文献

J-GLOBAL ID：201802254144069828   整理番号：18A0447447

AAM転移学習における混乱源領域情報を抑制するための部分空間選択【Powered by NICT】

Subspace selection to suppress confounding source domain information in AAM transfer learning

著者 (4件)： Asgarian Azin (Department of Computer Science, University of Toronto) ,  Ashraf Ahmed Bilal (Department of Computer Science, University of Toronto) ,  Fleet David (Department of Computer Science, University of Toronto) ,  Taati Babak (Department of Computer Science, University of Toronto)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IJCB  ページ： 456-463  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： アクティブ外見モデル(AAM)は,顔解析に成功裏に利用されている。しかし,モデル学習は標準的なランドマーク点の詳細なアノテーションの利用可能性に依存する。結果として,正確なAAM当てはめが,異なったセット変動の必要な場合(発現,姿勢,アイデンティティ),新しいデータセットが収集され,注釈された。時間のかかるデータ収集と注釈のための必要性を克服するために,移動学習アプローチは,最近注目を集めている。目標は,以前に利用可能なデータセット(源)からの知識を新しいデータセット(ターゲット)することである。部分空間転移学習法では,標的空間を最もよく記述する源からの部分空間を選択を提案した。源固有ベクトルとターゲット部分空間間の方向性類似性を計算するための計量を提案した。源固有ベクトル上に射影した場合この計量の間の等価性と標的データの分散を示した。この等価性を用いて,対象とするデータが分散を捕捉する源の主方向のサブセットを選択した。著者らのモデルを定義するため,著者らは少数標的例から学んだ標的部分空間選択源部分空間を増大させた。六公共データセット上で行った実験では,提案アプローチでは,RMSフィッティング誤差の項として同様にAAM当てはめは,グランドトルースに収束する試験例の割合の最新技術よりも優れていることを示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 類似性 ,  指向性 ,  等価性 ,  アノテーション ,  *カオス ,  固有ベクトル ,  部分集合 ,  データ収集 ,  モデル ,  *学習
準シソーラス用語： あてはめ【近似法】 ,  アイデンティティ ,  ランドマーク ,  *部分空間 ,  *転移学習 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 転移学習 ,  混乱 ,  部分空間