文献

J-GLOBAL ID：201802281304679498   整理番号：18A0517424

視覚学習のための自己教え低ランク符号化【Powered by NICT】

Self-Taught Low-Rank Coding for Visual Learning

著者 (3件)： Li Sheng (Department of Electrical and Computer Engineering, Northeastern University, Boston, MA, USA) ,  Li Kang (Department of Electrical and Computer Engineering, Northeastern University, Boston, MA, USA) ,  Fu Yun (Department of Electrical and Computer Engineering, College of Computer and Information Science, Northeastern University, Boston, MA, USA)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 29  号： 3  ページ： 645-656  発行年： 2018年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  資料種別： 逐次刊行物 (A)
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： ラベル付きデータの欠如は,多くのコンピュータビジョンと機械学習タスクにおける一般的な課題を提示する。半教師つき学習および転移学習主法が同じ領域または異なる領域から補助試料を利用してこの課題に取り組むために開発した。特殊型転移学習の自己教示学習を補助データの選択の少ない制限を持っている。視覚学習における有望な性能を示した。しかし,既存の自己教示学習法は,通常,データの構造情報を無視している。本論文では,自己教示符号化フレームワーク,補助ドメインから抽出豊富な低レベルパターン情報を有効に活用できるの構築に焦点を当て,目標領域における高レベル構造情報を特性化した。補助と標的領域にわたる学んだ高品質辞書を活用することにより,提案したアプローチでは,ターゲット領域における試料のための表現力の高い符号を学習する。視覚データの部分空間構造を含んでいることが証明されているので,低ランク制約は,与えられた目標集合の構造をより良く特性化する符号化目的に導入した。提案表現学習フレームワークは自己教示低ランク(S低)符号化と呼ばれ,非凸ランク最小化と辞書学習問題として定式化できる。を解くための効率的マジョライゼーション-最小化拡張Lagrange乗数アルゴリズムを考案した。提案S低符号化機構に基づいて,教師なしおよび教師ありの両方の視覚学習アルゴリズムを導出した。五つのベンチマークデータセット上での包括的な実験を行い,提案アプローチの有効性を実証した。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： 機械学習 ,  *符号化 ,  学習アルゴリズム ,  定式化 ,  凸形 ,  キャラクタリゼーション ,  *視覚 ,  Lagrange乗数法 ,  コンピュータビジョン ,  *学習
準シソーラス用語： 辞書学習 ,  部分空間 ,  表現力 ,  転移学習 ,  半教師つき学習 , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 視覚 ,  学習 ,  自己 ,  符号化