文献

J-GLOBAL ID：201902218845359083   整理番号：19A0891475

補色で再構成するAutoencoder

Complementary Color Reconstruction by Autoencoders

著者 (2件)： 鈴木章央 (九州工大 大学院生命体工学研究科) ,  田向権 (九州工大 大学院生命体工学研究科)
資料名： 電子情報通信学会技術研究報告  (IEICE Technical Report (Institute of Electronics, Information and Communication Engineers))
巻： 118  号： 473(SIS2018 37-52)  ページ： 23-28  発行年： 2019年02月27日 
JST資料番号： S0532B  ISSN： 0913-5685  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： 日本 (JPN)  言語： 日本語 (JA)

抄録/ポイント： 入力画像を補色で再構成するように,Autoencoder(AE)を学習させる.また,このAEを用いて異常検知を行う.正常データは色相をそのまま再構成し,異常データは補色で再構成,すなわち色相を反転するように再構成させる.こうして,正常データは再構成誤差を小さく,異常データの再構成誤差は最大化することで,高性能な異常検知器の作成を目指す.本稿では,CIFAR-10データセットを使って,再構成実験と異常検知器としての性能評価実験を行う.また,ここでは,提案学習法で訓練されたAEが,色情報をもとに特徴づけているのかを確認するために,RGB画像ではなくHSV色空間へと変換した画像を用いる.さらに,AEが獲得した特徴を確認するために,中間層の値を可視化した.(著者抄録)

シソーラス用語： ニューラルネットワーク ,  *アルゴリズム ,  教師つき学習 ,  機械学習 ,  画像認識 ,  *検出 ,  異常値 ,  *色 ,  再構成
準シソーラス用語： データ再構成 ,  ニューラルネットワークモデル ,  *異常検知 ,  *自己符号化器 ,  深層学習 ,  *補色

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (14件)：

• D.E. Rumelhart, G.E. Hinton, and R.J. Williams, “Learning internal representations by error propagation,” tech. rep., DTIC Document, 1985.
• A. Ng, “CS294A Lecture notes.” https://web.stanford.edu/class/cs294a/sparseAutoencoder.pdf, Accessed: 2018-11-12.
• G.E. Hinton and R.R. Salakhutdinov, “Reducing the dimensionality of data with neural networks,” Science, vol.313, no.5786, pp.504-507, 2006.
• J. Masci, U. Meier, D. Cireşan, and J. Schmidhuber, “Stacked convolutional auto-encoders for hierarchical feature extraction,” Proceedings of International Conference on Artificial Neural Networks, pp.52-59, Springer, 2011.
• D.P. Kingma and M. Welling, “Auto-encoding variational bayes,” arXiv preprint arXiv:1312.6114, 2013.

タイトルに関連する用語 (2件)： 補色 ,  再構成