文献

J-GLOBAL ID：201902217539737709   整理番号：19A2562033

Fisher損失:分類におけるより識別的な特徴学習法【JST・京大機械翻訳】

Fisher Loss: A More Discriminative Feature Learning Method in Classification

著者 (3件)： Ye Yuhang (Key Laboratory of Autonomous Systems and Networked Control, South China University of Technology, Guangzhou, 510641, China) ,  Zhang Tong (School of Electronics and Information, South China University of Technology, Guangzhou, 510641, China) ,  Yang Chenguang (Bristol Robotics Laboratory, University of the West of England, Bristol, BS16 1QY, UK)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： AIM  ページ： 746-751  発行年： 2019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： 畳込みニューラルネットワーク(CNN)とソフトマックス損失(クロスエントロピー)関数は様々な分類タスクで広く使われている。それはMSEと他の損失より良い性能を達成した。しかし,多くの分類タスクにおいて,入力サンプルの高次元,過剰ノイズ,抽出特徴の強い結合,および複雑な出力入力投影関係のために,CNNによって抽出された特徴は大きいクラス内分散と小さいクラス間距離を有し,分類の精度を大幅に低下させる。これらの問題を目的として,Fisher識別基準をニューラルネットワークと結合し,より識別的な特徴学習アルゴリズム,フィッシュロスを提案した。実験において,提案したアルゴリズムを,2つの一般的に使用されるネットワークアーキテクチャを有するMNISTデータセットに関する中心損失,島損失,および他のアルゴリズムと比較した。著者らのアルゴリズムが特徴をより良く区別することができて,より高い分類精度を達成できることがわかった。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： 学習アルゴリズム ,  ネットワークアーキテクチャ ,  *学習 ,  高次元 ,  ニューラルネットワーク ,  アルゴリズム
準シソーラス用語： 分類精度 ,  過剰雑音 ,  クロスエントロピー ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (4件)： ニューロコンピュータ  (JC06010Q) ,  パターン認識  (JE07000S) ,  人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 損失 ,  分類 ,  識別