文献

J-GLOBAL ID：201802280493631058   整理番号：18A0518503

我々は本当に物体の位置確認のための更なる訓練データを必要とするか【Powered by NICT】

Do we really need more training data for object localization

著者 (7件)： Li Hongyang (The Chinese University of Hong Kong) ,  Liu Yu (The Chinese University of Hong Kong) ,  Zhang Xin (Tsinghua University) ,  An Zhecheng (Tsinghua University) ,  Wang Jingjing (Tsinghua University) ,  Chen Yibo (The Chinese University of Hong Kong) ,  Tong Jihong (Eastern Liaoning University)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： ICIP  ページ： 775-779  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： 良好なニューラルネットワークを訓練するための鍵となる因子は,モデル容量と大規模訓練データの両方にある。よりデータセットが今日では使えるとして,深層学習の成功は,データ増大のみから降下するか疑問である。本論文では,新しいデータセット,すなわち,より多くの訓練データは重要なステップであるかどうかを検討するための独創的なILSVRC CLS2012集合に基づく拡張されたImageNet分類(EIC)データセットを提案した。画像を与えられた場合,オブジェクト位置決め問題を取り上げて論じ,いくつかの箱(アンカーとも呼ばれる)は,複数のインスタンスを局在化するために生成した。以前の研究とは異なり最終層ですべてのアンカーを配置するために,ネットワークにおける種々の分解能で異なるサイズの箱を分割,小アンカーは浅い層におけるより大きな空間位置で同定され易いからである。砂時計研究によりヒントを得て,ここではオブジェクト提案を生成するconv deconvネットワークアーキテクチャを適用した。動機は高レベル要約意味論を完全にし,それらのアップサンプリング版を利用低レベルマップにおける局所詳細を導くのを助けるためにすることである。実験結果は,このような設計の有効性を示した。新しく提案されたデータセットに基づいて,より多くのデータが平均再現率を高めることができたが,カテゴリーの間でよりバランスのとれたデータ分布は,数少ないトレーニングサンプルのコストで良好な結果を得ることができた。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： *位置決め ,  ニューラルネットワーク ,  意味論 ,  画像 ,  ネットワークアーキテクチャ ,  ネットワーク ,  分解能
準シソーラス用語： 再現率 ,  アップサンプリング ,  局在化 ,  深層学習 ,  *訓練データ , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (3件)： 物体 ,  位置確認 ,  訓練データ