文献

J-GLOBAL ID：202002267274960047   整理番号：20A1509983

畳込みニューラルネットワーク特徴抽出に基づく物体認識技術ソフトマックス,線形および二次判別分析の比較研究【JST・京大機械翻訳】

A Comparative Study of Object Recognition Techniques Softmax, Linear and Quadratic Discriminant Analysis Based on Convolutional Neural Network Feature Extraction

著者 (3件)： Siripibal Napol (College of Digital Innovation and Information Technology, Rangsit University, Pathum-thani, Thailand) ,  Supratid Siriporn (College of Digital Innovation and Information Technology, Rangsit University, Pathum-thani, Thailand) ,  Sudprasert Chaitawatch (Climate Change and Disaster Center, Rangsit University, Pathum-thani, Thailand)
資料名： ACM Proceedings  (ACM Proceedings)
号： MSIE 2019  ページ： 209-214  発行年： 2019年 
JST資料番号： D0698C  資料種別： 会議録 (C)
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： 本論文では,物体認識のためのソフトマックス,線形判別分析(LDA)および二次判別分析(QDA)を用いた比較研究を示した。最小努力は,すべてのそのような3つの分類器のためのハイパーパラメータ調整または選択のために必要であった。フィードフォワードアーキテクチャ深層学習ニューラルネットワークを用いた畳込みニューラルネットワーク(CNN)を,効率的な特徴抽出と低減のためにここで採用した。次に,抽出,縮小特徴を分類比較に供給した。実験は,簡単な,4つの畳込み層CNNアーキテクチャが,ほとんど過剰適合で効果的な特徴抽出を処理できるような,小画像CIFAR-10データセットに依存する。認識性能評価は,バイアス低減目的のための10倍交差検証に基づいて,精度,想起,F1スコアおよび精度率の平均値に依存する。そのような性能測度は,平衡および不均衡なクラスデータで,それぞれ,均等および均一ランダムサンプリング不等サイズクラスデータセットに参照される。結果は,CNN-LDA,CNN-QDAおよびCNN-ソフトマックス間の精度率と同様にF1スコアに関して認識性能差の僅かなビットを示し,そこではバランスクラスおよび不均衡クラスを別々に決定した。しかし,最大間違った予測事例の最低と最高は,バランスと不均衡クラスデータの両方に対してCNN-QDAとCNN-ソフトマックスによってそれぞれ発生する。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】

シソーラス用語： *畳込み ,  *ニューラルネットワーク ,  *特徴抽出 ,  *物体認識 ,  線形性 ,  バイアス ,  無作為抽出 ,  計算機アーキテクチャ ,  性能評価
準シソーラス用語： 不均衡 ,  線形判別分析 ,  ハイパーパラメータ ,  *二次判別分析 ,  深層学習 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： 畳込みニューラルネットワーク ,  線形判別分析 ,  物体認識 ,  二次判別分析 ,  ソフトマックス

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

タイトルに関連する用語 (7件)： 畳込みニューラルネットワーク ,  特徴抽出 ,  物体認識 ,  ソフト ,  線形 ,  二次判別分析 ,  研究