文献

J-GLOBAL ID：201802275093285188   整理番号：18A0530520

クラス不均衡とその応用顔再同定へのための進行的ブースティング【Powered by NICT】

Progressive boosting for class imbalance and its application to face re-identification

著者 (3件)： Soleymani Roghayeh (Laboratoire d’imagerie, de vision et d’intelligence artificielle, Ecole de technologie superieure Universite du Quebec, Montreal, Canada) ,  Granger Eric (Laboratoire d’imagerie, de vision et d’intelligence artificielle, Ecole de technologie superieure Universite du Quebec, Montreal, Canada) ,  Fumera Giorgio (Pattern Recognition and Applications Group, Dept. of Electrical and Electronic Engineering, University of Cagliari, Cagliari, Italy)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 101  ページ： 271-291  発行年： 2018年 
JST資料番号： W0178A  ISSN： 0957-4174  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： 実際には,パターン認識応用は,しばしばクラス間の不均衡データ分布,操作設計データに関して中に変化する可能性があるに悩まされている。例えば,多数のビデオサーベイランスアプリケーション,例えば,顔再認識,顔個体はビデオカメラの分散ネットワーク上で認識しなければならない。関心の個々のから獲得された面の数は他のものにより数字的に凌駕されるので,そのような応用における重要な課題は,クラス不均衡である。不均衡データを用いて設計した二クラス分類システムは,大部分(負の)クラスを認識する傾向があり,一方で関心事(ポジティブクラス)のクラスは,しばしば試料のより少ない数を持っている。いくつかのデータレベル技術は,この問題を軽減するために提案されてきた分類器アンサンブルはアップサンプリング陽性試料またはアンダーサンプリング陰性試料によるバランスのとれたデータサブセットで設計されている。しかし,いくつかの有益な試料はランダムアンダーサンプリングとアップサンプリングによる合成陽性試料を添加訓練複雑性に加わる無視することができる。本論文では,進行的ブースティング(PBoost)と呼ばれる新しいアンサンブル学習アルゴリズムは,分類器の多様なプールを生成しながら,情報低下を避けるためにブースティング法への試料の非相関基を挿入する漸進的に提案した。多くの実世界認識問題では,試料はいくつかの応用文脈情報を用いた再編成である可能性がある。例えば,顔再認識応用では,カメラの視野に現れる同じ人の顔領域は,顔トラッカーにより見られる軌跡に基づく再編成である可能性がある。一反復次まで,PBoostアルゴリズムでは,サイズと不均衡を徐々に成長することをセットにこれらの非相関グループのサンプルを蓄積する。ベース分類器は,このセットから選択された試料上で訓練されたおよび全セットで検証した。,運転データは知られておらず,可変レベルスキューを有することがある場合PBoostよりロバストである。添加では,ベース分類器のすべてではないが,全て陰性試料について検証したためPBoostの計算複雑性は不均衡データからの学習のためのアンダーサンプリングを用いた文献におけるブースティング集団よりも低かった。PBoostで使用する新しい損失係数は負のクラスに向けてバイアス性能を回避した。この損失因子を用いて,試料と分類器寄与最終予測の重み更新は両クラスを認識するための分類器の能力に応じて設定した。提案したアプローチの有効性を合成データとビデオ顔では作用から,顔再認識応用を模倣するCOXデータセットを用いて検証し,比較した。結果はPBoostは,クラス間の不均衡と重なりの異なるレベルの精度と複雑さの観点から最先端の技術よりも優れていることを示した。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： 録画装置 ,  ロバスト性 ,  再認 ,  ビデオカメラ ,  予測 ,  パターン認識 ,  *学習アルゴリズム ,  計算量
準シソーラス用語： アンサンブル学習 ,  *不均衡 ,  複雑性 ,  アンダーサンプリング ,  不均衡データ ,  *ブースティング ,  *クラス不均衡 , 【Automatic Indexing@JST】

著者キーワード (5件)： クラス不均衡 ,  アンサンブル学習 ,  ブースティング ,  顔再同定 ,  ビデオ監視

分類 (2件)： 人工知能  (JE08000Z) ,  システム・制御理論一般  (IA02010H)

タイトルに関連する用語 (4件)： クラス不均衡 ,  応用 ,  同定 ,  ブースティング