文献

J-GLOBAL ID：202002249327997105   整理番号：20A2720730

高速ILOD:高速RCNNに基づくオブジェクト検出器のためのインクリメンタル学習【JST・京大機械翻訳】

Faster ILOD: Incremental learning for object detectors based on faster RCNN

著者 (3件)： Peng Can (School of ITEE, The University of Queensland, Brisbane, QLD, Australia) ,  Zhao Kun (School of ITEE, The University of Queensland, Brisbane, QLD, Australia) ,  Lovell Brian C. (School of ITEE, The University of Queensland, Brisbane, QLD, Australia)
資料名： Pattern Recognition Letters  (Pattern Recognition Letters)
巻： 140  ページ： 109-115  発行年： 2020年 
JST資料番号： H0913A  ISSN： 0167-8655  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 人間の視覚と知覚システムは,新しい知識が時間とともに連続的に学習されるが,既存の知識が保持されるので,本質的に増加する。一方,深層学習ネットワークは,インクリメンタル学習のために不適切である。よく訓練されたネットワークが新しいカテゴリーに順応するとき,古いカテゴリーに関するその性能は劇的に劣化する。この問題に取り組むために,深層学習モデルの古い知識を保存する増分学習法を探究した。しかしながら,最先端のインクリメンタルオブジェクト検出器は,全体の計算時間を増加させ,Faster RCNNのような領域Proposalネットワーク(RPN)ベースオブジェクト検出器と比較して精度を低減する外部固定領域提案法を採用した。本論文の目的は,知識蒸留を用いて,効率的なエンドツーエンドインクリメンタルオブジェクト検出器を設計することである。最初に,増分検出タスクにおける古典的蒸留によるRPNベース検出器の性能を評価し,解析した。次に,新しいタスクのためにモデルを微調整するとき,古いカテゴリーから知識を適切に保持するマルチネットワーク適応蒸留を導入した。ベンチマークデータセット,PASCAL VOCおよびCOCOに関する実験は,Faster RCNNに基づく提案した増分検出器が,ベースライン検出器よりも13倍速いだけでなく,より正確であることを示した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 視覚 ,  *学習 ,  ネットワーク ,  蒸留 ,  検出器 ,  PASCAL ,  基準線 ,  ベンチマーク
準シソーラス用語： *物体検出 ,  *インクリメンタル学習 ,  微調整 ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (3件)： 深層学習 ,  オブジェクト検出 ,  増分学習

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： オブジェクト ,  検出器 ,  インクリメンタル学習