文献

J-GLOBAL ID：201802277883458226   整理番号：18A0132581

物体認識のためのマルチモーダル局所受容野極端学習機械【Powered by NICT】

Multi-modal local receptive field extreme learning machine for object recognition

著者 (4件)： Liu Huaping (Department of Computer Science and Technology, Tsinghua University, State Key Lab. of Intelligent Technology and Systems, TNLIST, Beijing, PR China) ,  Li Fengxue (Department of Computer Science and Technology, Tsinghua University, State Key Lab. of Intelligent Technology and Systems, TNLIST, Beijing, PR China) ,  Xu Xinying (Department of Computer Science and Technology, Tsinghua University, State Key Lab. of Intelligent Technology and Systems, TNLIST, Beijing, PR China) ,  Sun Fuchun (Department of Computer Science and Technology, Tsinghua University, State Key Lab. of Intelligent Technology and Systems, TNLIST, Beijing, PR China)
資料名： Neurocomputing  (Neurocomputing)
巻： 277  ページ： 4-11  発行年： 2018年 
JST資料番号： W0360A  ISSN： 0925-2312  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： 豊かな表現の学習マルチモーダル認識タスクでは,高い汎化性能を得るために重要な重要な役割を果たしている。この問題を解決するために,本論文では,効果的なマルチモーダル局所受容野極端学習機械(MM LRF ELM)構造を提案し,学習効率のELMの利点を維持した。この構造では,LRF ELMは最初の各モダリティのための特徴抽出を行った。そして,共有層はそれぞれのモダリティからのこれらの特徴を組み合わせて開発した。最後に,極端学習機械(ELM)は,最終決定のための教師つき特徴分類器として用いた。ワシントンRGB Dオブジェクトデータ集合上での実験的検証は,提案した多重モダリティ融合法は,より優れた認識性能を達成することを示した。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： *学習 ,  汎化 ,  *物体認識 ,  特徴抽出 ,  ワシントン州 ,  *多モード ,  多重化
準シソーラス用語： モダリティ ,  学習効率 ,  *極度学習機械 ,  *受容野 , 【Automatic Indexing@JST】

著者キーワード (4件)： 表現学習 ,  マルチモード ,  局所受容野 ,  極端学習機械

分類 (2件)： 人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (4件)： 物体認識 ,  マルチモーダル ,  受容野 ,  極端学習機械