文献

J-GLOBAL ID：201802255671317285   整理番号：18A2232283

結合学習CNNネットワークと新しい大域損失関数による人物再同定【JST・京大機械翻訳】

Person Re-Identification With A Joint Learning CNN Network And A New Global Loss Function

著者 (5件)： Xie Linrui (Information and Communication engineering, Beijing University of Posts and Telecommunications, China, No.10 Xitucheng Road, Beijing, China) ,  Fu Guangtao (Information and Communication engineering, Beijing University of Posts and Telecommunications, China, No.10 Xitucheng Road, Beijing, China) ,  Jiang Zhuqing (Information and Communication engineering, Beijing University of Posts and Telecommunications, China, No.10 Xitucheng Road, Beijing, China) ,  Men Aidong (Information and Communication engineering, Beijing University of Posts and Telecommunications, China, No.10 Xitucheng Road, Beijing, China) ,  Zhou Yun (Information and Communication engineering, Academy of Broadcasting Science, Beijing, China, No.2 Street Fuxingmenwai, Beijing, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ICMEW  ページ： 1-6  発行年： 2018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： 人の再同定のタスクを実行するための深い畳込みニューラルネットワークモデルの訓練において,損失関数は最終性能にとって重要である。本論文では,分類誤差を低減するためにデータの一般的分布を表す新しい損失関数の使用を提案した。同じラベルと異なるラベルのデータの間の類似性測定の分布の数を取り入れることによって,著者らは偽陽性と偽陰性分類誤差を減少することができた。したがって,モデルはより良い能力を得ることができる。さらに,いくつかの確立した損失関数をこの新しい損失関数と組み合わせて,提案した共同訓練ネットワークモデルを得た。著者らのネットワークは,同じラベルと異なるラベルのデータの間の類似性測定を同時に学習することができて,データセットにおけるデータの各々のビットは,最終結果に貢献することができた。実験のためにMarket-1501データセットを用いて,この新しい損失関数を有する著者らのネットワークが,従来のものと比較して非常に競争力の高い精度を得ることができることを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *学習 ,  *損失関数 ,  *ネットワーク
準シソーラス用語： ネットワークモデル ,  共同訓練 ,  偽陰性 ,  誤検出 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 学習 ,  CNN ,  損失関数 ,  人物 ,  同定