文献

J-GLOBAL ID：201802290573077076   整理番号：18A2232800

カリキュラム学習による弱および半教師付き高速R-CNN【JST・京大機械翻訳】

Weakly- and Semi-supervised Faster R-CNN with Curriculum Learning

著者 (3件)： Wang Jiasi (School of Electronic Information and Communications, Huazhong University of Science and Technology) ,  Wang Xinggang (School of Electronic Information and Communications, Huazhong University of Science and Technology) ,  Liu Wenyu (School of Electronic Information and Communications, Huazhong University of Science and Technology)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： ICPR  ページ： 2416-2421  発行年： 2018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： オブジェクト検出はコンピュータビジョンとパターン認識におけるコア問題である。本論文では,弱く注釈付けされた画像(すなわち,画像レベルアノテーションのみを与えられる)を用いて,効果的なオブジェクト検出器を学習する問題を研究し,カリキュラム学習により,完全に注釈された画像(すなわち,境界ボックスレベルアノテーション)の小さな割合を与えた。著者らの方法は,FastR-CNNに基づいて構築した。手技物体の提案に依存する以前の弱く監視された物体検出器とは異なり,提案した方法は,弱い半教師つき訓練データを用いて領域提案ネットワークを学習する。そして,弱くラベルされた画像は,カリキュラム学習によって容易により複雑な例を説明する意味のある順序で,深いネットワークに供給される。筆者らは,WASSCL R-CNNとして,弱いおよび半教師つきのデータを用いて訓練されたFasterR-CNNを,Curiculum学習を用いて名前を付けた。WASSCL R-CNNは,PASCAL VOC2007ベンチマーク上で検証され,完全に監視されたFaster R-CNNの性能(mAPを用いて測定された)の90%を,弱い監視と共に完全に監視されたアノテーションのわずか15%で得た。結果は,提案した学習フレームワークが信頼できる物体検出器を得るためのラベリング努力を大幅に低減できることを示した。Copyright 2019 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 教師つき学習 ,  ネットワーク ,  PASCAL ,  アノテーション ,  *カリキュラム ,  *高速度 ,  *学習 ,  ベンチマーク ,  コンピュータビジョン ,  画像 ,  パターン認識
準シソーラス用語： 物体検出 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： カリキュラム ,  学習 ,  教師 ,  CNN