文献

J-GLOBAL ID：201902221148537160   整理番号：19A2420095

ODEネットにより学習された連続画像特徴の評価【JST・京大機械翻訳】

Evaluation of Continuous Image Features Learned by ODE Nets

著者 (4件)： Carrara Fabio (Institute of Information Science and Technologies (ISTI), Italian National Research Council (CNR), Pisa, Italy) ,  Amato Giuseppe (Institute of Information Science and Technologies (ISTI), Italian National Research Council (CNR), Pisa, Italy) ,  Falchi Fabrizio (Institute of Information Science and Technologies (ISTI), Italian National Research Council (CNR), Pisa, Italy) ,  Gennaro Claudio (Institute of Information Science and Technologies (ISTI), Italian National Research Council (CNR), Pisa, Italy)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11751  ページ： 432-442  発行年： 2019年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： データ駆動モデリングにおけるDeep学習アプローチは,階層構造において構造化されたデータの有限数変換(および表現)を学習することに依存し,しばしば深いニューラルネットワーク(およびそれらの内部活性化)としてインスタンス化される。視覚データのための最先端のモデルは,通常,深い残差学習を実行する。ネットワークは,それを豊かにするために,内部ネットワーク状態に適用される離散的更新の有限数を予測するために学習する。残留学習アイデアを限界に押すことにより,NeurIPS 2018において最良の論文を得た連続的に進化する内部表現を含む新しいネットワーク定式化が最近提案されている。従来のニューラルネットワークとは異なり,このモデルでは,入力表現の連続変換を定義する学習可能なパラメータを持つ常微分方程式により,内部状態の動力学を定義した。これらの表現は標準ODEソルバを用いて計算でき,それらの動力学は標準勾配ベース最適化を介してODEパラメータを調整することによって入出力マッピングを学習するために操作することができる。本研究では,ODEネットの連続隠れ状態で学習された画像表現を調べた。特に,ODE定義連続層を含む画像分類器を訓練し,学習画像表現の移動性と一般性に関して品質を評価するための予備実験を行い,それらを残留ネットワークから抽出した標準表現と比較した。CIFAR-10およびTiny-ImageNet-200データセットに関する実験は,ODEネットから抽出された表現がより移転可能であり,オーバーフィットに対する改良されたロバスト性を示唆することを示した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ロバスト性 ,  最適化 ,  常微分方程式 ,  残差 ,  階層構造 ,  品質 ,  *学習 ,  視覚 ,  ニューラルネットワーク ,  モデリング ,  ネットワーク ,  普遍性 ,  定式化
準シソーラス用語： ソルバ ,  *画像列 , 【Automatic Indexing@JST】

著者キーワード (4件)： 伝達学習 ,  画像表現 ,  連続神経回路網 ,  常微分方程式

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 (4件)： ネット ,  学習 ,  画像特徴 ,  評価