文献

J-GLOBAL ID：201802254706921038   整理番号：18A0191235

大規模場所のための画像認識残留スクイーズCNDS深い学習CNNモデル【Powered by NICT】

Residual squeeze CNDS deep learning CNN model for very large scale places image recognition

著者 (3件)： Verma Abhishek (Department of Computer Science, New Jersey City University, Jersey City, NJ 07305) ,  Qassim Hussam (Department of Computer Science, California State University, Fullerton, California 92831) ,  Feinzimer David (Department of Computer Science, California State University, Fullerton, California 92831)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： UEMCON  ページ： 463-469  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： 深い畳込みニューラルネットワークモデルは,近年大きな成功を達成した。しかし,サイズの最適化と深いネットワークを訓練するために必要な時間は多くの改良を必要とする研究分野である。本論文では,圧縮された畳込みニューラルネットワークモデルすなわち残留スクイーズCNDSを提案することにより,速度と大きさの問題に取り組んだ。提案されたモデルは,以前の非常に成功した残留CNDSネットワークを圧縮し,さらに次の側面を改善する(1)小モデルサイズ,(2)高速,(3)高速収束,より良い一般化のための残留学習を用い,分解の問題を解決し,(4)非常に大規模なグランドチャレンジに非圧縮モデルの認識精度を一致MIT場所365標準シーンデータセット。残留CNDSと比較して提案したモデルは87.64%小さく,訓練時間の速い13.33%であった。これは提案したモデルは,残留CNDSモデルの最良の側面を継承し,さらにそれを改善するという筆者らの主張を支持している。さらに,新しいCNNアーキテクチャのための設計空間を探索するに訓練されたアプローチでの試みを提示した。SQUEEZENETと比較して,提案フレームワークでは,より容易に適合させ,種々の他の現代の深層学習畳込みニューラルネットワークモデルを圧縮するための残留学習性が高まっているといえる。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： *画像認識 ,  高速度 ,  最適化 ,  *学習 ,  *モデル ,  ネットワーク ,  計算機アーキテクチャ
準シソーラス用語： 深層学習 ,  設計空間 ,  認識精度 ,  グランドチャレンジ ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (3件)： パターン認識  (JE07000S) ,  ディジタル計算機方式一般  (JC02010O) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (7件)： 大規模 ,  画像認識 ,  残留 ,  スクイーズ ,  学習 ,  CNN ,  モデル