抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
最近提案されたスパース符号化ベースのFisherベクトルは,スパース項を持つ従来のGMMベースのFisherベクトルを拡張する。著者らの実験により,このスパース項のみの追加は,小さいサイズのデータセット(15-セン,Caltec-10)上での約20%の改善,および中規模データセット(MIT-67)上での5%までの改善により,GMMベースのFisherベクトルよりも著しく優れていることを明らかにした。オリジナルの研究において,スパース符号化ベースのFisherベクトルは,オフザシェルスパース符号化ソルバを必要とする。統計的観点から,オフシェルソルバはブラックボックスとして現れる可能性がある。よりエレガントな方法は,スパース符号化を学習する確率モデルを用いることである。スパース符号化ベースGMMとして知られる確率モデルを提案した。それは付加的なスパース係数隠れ変数によってGMMと異なる。スパース項の事前モデルは,追跡可能性に対して分布したGauss分布と仮定した。モデルの推論は,変分法によって得られた閉形式解の集合を反復計算することによって実行される。いくつかの良く引用されたデータセットに関する実験結果により,スパース符号化ベースのFisherベクトルに関する限り,著者らの確率論的ベースのソルバがオフザシェルソルバに対してオンパール学習性能を得ることを示した。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】