文献

J-GLOBAL ID：202002256417153589   整理番号：20A0266560

部分的ネットワーク共有を用いた深部畳込みニューラルネットワークにおける増分学習【JST・京大機械翻訳】

Incremental Learning in Deep Convolutional Neural Networks Using Partial Network Sharing

著者 (3件)： Sarwar Syed Shakib (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA) ,  Ankit Aayush (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA) ,  Roy Kaushik (School of Electrical and Computer Engineering, Purdue University, West Lafayette, IN, USA)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 4615-4628  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： 深部畳込みニューラルネットワーク(DCNN)に基づく教師つき学習は,大規模画像分類のための広く実施されているアプローチである。しかし,これらの大規模ネットワークを再訓練することにより,以前に見られていないデータは,高い計算時間とエネルギー要件を必要とする。また,以前に見られた訓練サンプルは再訓練時に利用できない。著者らは,ベースネットワークの部分を共有しながら,新しいタスクを学習するために,効率的な訓練方法論と増分的に成長するDCNNを提案した。著者らの提案方法論は,以前に学習されたタスクを忘れないが,伝達学習技術によって触発される。クラスの新しい集合を学習するための更新ネットワークは,ネットワークの後期層に含まれる新たに追加された畳込みカーネルの追加により,以前に学習された畳込み層(ベースネットワークの初期部分から共有される)を用いて形成される。著者らは,キャリブレーションによって,一つの方法を用いて,古い作業における性能損失なしで,もう一つの後に,新しい作業(古い作業と同様の特徴を有するクラスを含む)を学習することを可能にした。いくつかの認識応用に関する提案方式を評価した。著者らのアプローチによって達成された分類精度は,通常の増分学習手法(ネットワークが新しい訓練サンプルのみで更新される)に匹敵するが,エネルギー効率,記憶要件の削減,メモリアクセスと訓練時間を達成する。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： 教師つき学習 ,  *畳込み ,  エネルギー効率 ,  *学習 ,  *ネットワーク
準シソーラス用語： メモリアクセス ,  分類精度 ,  大規模ネットワーク ,  画像分類 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 共有 ,  深部 ,  畳込みニューラルネットワーク ,  増分 ,  学習