多センサ情報融合のための大域的注意深層学習フレームワーク【JST・京大機械翻訳】

Liu Shengzhong; Yao Shuochao; Li Jinyang; Liu Dongxin; Wang Tianshi; Shao Huajie; Abdelzaher Tarek

文献

J-GLOBAL ID：202002262703288082 整理番号：20A0855109

多センサ情報融合のための大域的注意深層学習フレームワーク【JST・京大機械翻訳】

GIobalFusion A Global Attentional Deep Learning Framework for Multisensor Information Fusion

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=20A0855109&COPY=1") }}
高度な検索・分析はJDreamⅢで {{ this.onShowJLink("http://jdream3.com/lp/jglobal/index.html?docNo=20A0855109&from=J-GLOBAL&jstjournalNo=W5681A") }}

著者 (7件)： , , , , , ,
資料名：
巻： 4 号： 1 ページ： 1-27 発行年： 2020年
JST資料番号： W5681A ISSN： 2474-9567 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)

本論文は,マルチセンサ情報融合のためのグローバルな注意モジュールと呼ばれる軽量の注意機構を導入することによって,センシング応用における深いニューラルネットワークベースの推論を強化した。この機構は,ニューラルネットワークのより高い層から収集された情報を利用して,融合層における有益な特徴の影響を選択的に増幅し,無関係な雑音を抑制することができる。著者らは,この機構をGIobalFusionと呼ばれる新しいエンドツーエンド学習フレームワークに統合することに成功した。そこでは,2つのグローバルな注意モジュールが,それぞれ空間融合とセンシングモダリティ融合のために展開される。4つの公共人間活動認識(HAR)データセットに関する広範な評価を通して,著者らは,情報融合品質を改善することにおいて,グローバル融合の有効性を実証することに成功した。新しいアプローチは,明確なマージンを持つ4つのデータセットすべてについて,最先端のアルゴリズムより優れている。また,学習された注意重みは人間の直感と良く一致することを示した。次に,商品IoT装置における推論時間とエネルギー消費を試験することにより,GlobalFusionの効率を検証した。無視できるオーバーヘッドだけが,グローバルな注意モジュールによって誘発される。Please refer to this article’s citation page on the publisher website for specific rights information. 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)： , ,

ロボットの運動・制御 , 電子航法一般 , 計測機器一般 , 図形・画像処理一般

, , , ,

前のページに戻る