文献

J-GLOBAL ID：202002230479405235   整理番号：20A1100606

複雑な背景を持つ画像分類のためのマルチレーンカプセルネットワーク【JST・京大機械翻訳】

Multi-Lane Capsule Network for Classifying Images With Complex Background

著者 (2件)： Chang Siwei (College of Information Engineering, Shanghai Maritime University, Shanghai, China) ,  Liu Jin (College of Information Engineering, Shanghai Maritime University, Shanghai, China)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 79876-79886  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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： カプセルネットワーク(CapsNet)は,深いニューラルネットワークのための新しい構造であり,スカラーよりもむしろベクトルとマトリックスにターゲットインスタンスの領域をマッピングする。このプロセスは,従来のCNNよりも少ないパラメータでよりロバストな容量を達成するために,CapsNetを支援する動的ルーティングアルゴリズムにより可能になる。しかしながら,カプセルの一つの欠点は,画像中のあらゆるものを考慮することであり,背景が合理的なサイズのネットでモデル化するのにあまりに変化するとき,性能が悪くなることである。著者らは,この問題を解決するために,厳しいスクッシュ(MLSCN)を有するマルチ車線カプセルネットワークを提案した。MLSCNにおいて,著者らは新しいカプセルベースのネットワーク構造を設計して,二乗関数を置き換えて,ドロップアウトの実用化を最適化した。本論文で提案した修正を検証するために,MNIST,affNISTおよびCIFAR10を含む3つの公開データセットに関する広範な実験を行った。アブレーション実験も行い,MLSCNの各成分の寄与を分析した。実験結果により,MLSCNは,多重ベンチマークにおいて元のCapsNetより優れていることを示した。著者らのモデルは,CIFAR10の分類精度を約17%に上げ,元のCapsNetと比較して無視できるパラメータの増加を示した。その上,提案したモデルは65.37%の精度を達成し,一方,オリジナルのCapsNetはMNIST-BC上で41.62%だけである。Copyright 2020 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： 最適化 ,  ベクトル ,  *ネットワーク ,  カプセル ,  ニューラルネットワーク ,  ネットワーク構造 ,  多重化 ,  スカラー ,  アブレーション ,  ベンチマーク ,  ロバスト性
準シソーラス用語： ドロップ ,  *画像分類 ,  分類精度 ,  経路選択アルゴリズム , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  信号理論  (ND02020G)

タイトルに関連する用語 (2件)： 背景 ,  画像分類