コンピュータビジョンタスクにおける移転学習:あなたはどこに来ているのか【JST・京大機械翻訳】

Li Xuhong; Grandvalet Yves; Davoine Franck; Cheng Jingchun; Cui Yin; Zhang Hang; Belongie Serge; Tsai Yi-Hsuan; Yang Ming-Hsuan

文献

J-GLOBAL ID：202002220673142073 整理番号：20A0290447

コンピュータビジョンタスクにおける移転学習:あなたはどこに来ているのか【JST・京大機械翻訳】

Transfer learning in computer vision tasks: Remember where you come from

出版者サイト複写サービスで全文入手 {{ this.onShowCLink("http://jdream3.com/copy/?sid=JGLOBAL&noSystem=1&documentNoArray=20A0290447&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A0290447&from=J-GLOBAL&jstjournalNo=A0611C") }}

著者 (9件)： , , , , , , , ,
資料名：
巻： 93 ページ： Null 発行年： 2020年
JST資料番号： A0611C ISSN： 0262-8856 資料種別：逐次刊行物 (A)
記事区分：原著論文発行国：オランダ (NLD) 言語：英語 (EN)

微調整前訓練された深いネットワークは,大規模データベース上で学習された表現から利益を得る実用的な方法であり,一方,モデルを訓練するための比較的少ない例を持っている。この調整は,今日,大規模データベース上で訓練された畳込みニューラルネットワークの最新の改善に役立つように日常的に実行されている。微調整は,いくつかの形式の正則化を必要とし,それは,ネットワークパラメータをゼロに向けて駆動する重み減衰によって典型的に実行される。以前に得られた知識の利点を利用することを目的として,事前に訓練された解から出発して,微調整に対する動機付けとのこの選択の矛盾を検討した。したがって,事前訓練モデルに対する明示的な誘導バイアスを促進する正則化が最近提案されている。本論文では,移動学習シナリオにわたるこのタイプの正則化器の汎用性を実証した。著者らは,画像分類,画像分割,およびビデオ解析における3つの最先端のアプローチに関する実験を複製して,正則化装置の相対的メリットを比較した。これらの試験は重量減衰と比較して系統的な改善を示した。著者らの実験プロトコルは,実装が容易で,最終的には,微調整に依存する学習を転送するための将来のアプローチのための新しいベースラインとして推奨されるように操作することができる正則化装置の汎用性を提唱する。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

, , , , , , ,
, , , , , , , 【Automatic Indexing@JST】

著者キーワード (3件)： , ,

図形・画像処理一般 , パターン認識

前のページに戻る