文献

J-GLOBAL ID：202002260216364931   整理番号：20A0957060

ロバストなシーン表現を学習するための深い多重インスタンス畳込みニューラルネットワーク【JST・京大機械翻訳】

Deep Multiple Instance Convolutional Neural Networks for Learning Robust Scene Representations

著者 (5件)： Li Zhili (School of Geography and Information Engineering, China University of Geosciences, Wuhan, China) ,  Xu Kai (School of Geography and Information Engineering, China University of Geosciences, Wuhan, China) ,  Xie Jiafen (School of Geography and Information Engineering, China University of Geosciences, Wuhan, China) ,  Bi Qi (School of Remote Sensing and Information Engineering, Wuhan University, Wuhan, China) ,  Qin Kun (School of Remote Sensing and Information Engineering, Wuhan University, Wuhan, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 58  号： 5  ページ： 3685-3702  発行年： 2020年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  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： シーン分類の精度と効率性は,深い畳込みニューラルネットワーク(CNNs)の広範囲な応用によって著しく改良した。しかし,標準的なCNNは,最終的に完全に接続された層からの全体的特徴に基づいて画像を分類する。それは,識別的局所情報の否定と様々な空間変換に対する感度を引き起こす可能性がある。本論文では,複数インスタンス学習(MIL)の観点からシーン分類の問題を考察し,よりロバストなシーン表現を学習するためのエンドツーエンド多重インスタンスCNN(MI-CNN)を提案した。MI-CNNにおいて,シーンは局所パッチ(インスタンス)のバッグとして表現される。瞬間レベル分類器を訓練し,MIL様式における各パッチのラベルを得て,分類器を弁別局所パッチにより敏感にした。次に,パッチラベルを,局所パッチの順序に不変で,よりロバストな表現を構築する助けとなるMILプール層により,画像ラベルに集約した。著者らは,UC Mered Land use(UCM),Aerial画像データセット(AID),およびNWPU-RESUSC(NWPU)データセットに関する広範な実験を提示した。実験結果は,提案方法が標準CNNと比較して,90%のパラメータ減少で1.17%,1.70%,および3.61%の精度改善を達成することを示した。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： *学習 ,  *多重化 ,  エンドツーエンド方式 ,  *ロバスト性
準シソーラス用語： シーン分類 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (7件)： ロバスト ,  シーン ,  表現 ,  学習 ,  多重 ,  インスタンス ,  畳込みニューラルネットワーク