文献

J-GLOBAL ID：201802266042983350   整理番号：18A0422217

注意駆動マルチモーダル類似性学習【Powered by NICT】

Attention driven multi-modal similarity learning

著者 (4件)： Gao Xinjian (School of Computer and Information, Hefei University of Technology, Hefei 230009, China) ,  Mu Tingting (School of Computer Science, University of Manchester, Manchester M1 7DN, United Kingdom) ,  Goulermas John Y. (Department of Computer Science, University of Liverpool, Liverpool L69 3BX, United Kingdom) ,  Wang Meng (School of Computer and Information, Hefei University of Technology, Hefei 230009, China)
資料名： Information Sciences  (Information Sciences)
巻： 432  ページ： 530-542  発行年： 2018年 
JST資料番号： D0636A  ISSN： 0020-0255  CODEN： ISIJBC  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： 物体間の類似性または関連性を測定するための関数を学習するために重要な機械学習課題,類似性学習と呼ばれている。従来の方法は通常処理複雑なパターンには不十分であるが,より洗練された方法は解釈が困難なパラメータと数学的操作により支持された結果を生成した。モデルのロバスト性と解釈可能性の両方を改善するために,著者らは新規な注意駆動マルチモーダルアルゴリズム,異なる関係モダリティに分布類似性スコアを学習し,関心の対象の顕著なパッチに焦点を当てた選択的に相互作用配向動的注意機構を拓くを提案した。神経回路網を用いた全物体とそのセグメント化されたパッチの両方のための高レベル表現ベクトルの集合を生成した。物体間のマルチビュー局所近傍構造を教師なし事前学習手順を介して高レベルオブジェクト表現にコードされている。物体クラスタ中心との関連埋込みを初期化することにより,各関係様式は,意味的話題として合理的に説明することができた。教師なしおよび教師つき学習の混合物に基づく層別訓練方式は一般化を改善するために提案する。最先端アルゴリズムと比較して,提案した方法とその優れた性能の有効性を異なる画像検索タスクに基づく評価を通して実証した。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： クラスタ ,  *類似性 ,  機械学習 ,  セグメンテーション ,  ニューラルネットワーク ,  *多モード ,  *学習 ,  画像検索 ,  教師つき学習 ,  アルゴリズム ,  ロバスト性 ,  神経回路網 ,  ベクトル
準シソーラス用語： マルチビュー ,  モダリティ , 【Automatic Indexing@JST】

著者キーワード (5件)： マルチモーダル類似性 ,  注意機構 ,  表現学習 ,  マルチビュー ,  ニューラルネットワーク

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 注意 ,  マルチモーダル ,  類似性 ,  学習