文献

J-GLOBAL ID：201802269367919286   整理番号：18A0137267

高密度視覚意味論的埋め込みのための階層的マルチモーダルLSTM【Powered by NICT】

Hierarchical Multimodal LSTM for Dense Visual-Semantic Embedding

著者 (5件)： Niu Zhenxing ,  Zhou Mo ,  Wang Le ,  Gao Xinbo ,  Hua Gang
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICCV  ページ： 1899-1907  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： 画像マルチモーダルの埋込み空間の中に内だけでなく完全な文と全体像文と顕著な領域内の語句をマッピングする高密度視覚意味論的埋め込みの問題を取り上げて論じた。このような高密度埋込み,画像字幕のタスクに適用した場合,いくつかの領域指向と詳細な句よりもむしろ画像を記述するために概要文を生成することができた。具体的には,階層的構造化リカレントニューラルネットワーク(RNN),すなわち階層的マルチモーダルLSTM(HM LSTM)を提案した。鎖構造化RNNと比較して,提案したモデルは文と句間の階層的関係を利用し,全体像と画像領域間の,それらの表現を確立した。教師つきラベルの必要がなく,著者らの提案したモデルは,高密度埋込みに向けて句と画像領域間の細粒対応を自動的に学習することができる。いくつかのデータセット上での包括的実験を行い,提案手法の有効性,最先端の方法に遜色なく匹敵しを検証した。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： *視覚 ,  モデル ,  *意味論 ,  *多モード ,  画像 ,  構造形成
準シソーラス用語： 最先端 ,  リカレントニューラルネットワーク ,  句 ,  字幕 ,  フレーズ ,  *高密度 , 【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 (5件)： 視覚 ,  意味論 ,  埋め込み ,  マルチモーダル ,  LSTM