文献

J-GLOBAL ID：202002270348516212   整理番号：20A0817686

勾配組合せによる階層的学習情報の多様化【JST・京大機械翻訳】

Enriching Variety of Layer-Wise Learning Information by Gradient Combination

著者 (4件)： Wang Chien-Yao (Institute of Information Science, Academia Sinica, Taiwan) ,  Liao Hong-Yuan Mark (Institute of Information Science, Academia Sinica, Taiwan) ,  Chen Ping-Yang (Department of Computer Science, National Chiao Tung University, Taiwan) ,  Hsieh Jun-Wei (College of Artificial Intelligence and Green Energy, National Chiao Tung University, Taiwan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ICCVW  ページ： 2477-2484  発行年： 2019年 
JST資料番号： W2441A  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： 本研究では,勾配概念の組合せを用いて,Deep Convolution Network(DCN)の学習能力を強化し,4つの部分抵抗ネットワークベース(PRNベース)アーキテクチャを開発し,上記の概念を検証した。PRNを設計する目的は,各単一層に対して可能な限り豊富な情報を提供することである。訓練段階の間,特徴組合せよりもむしろ勾配組合せを伝搬させることを提案した。PRNは,ResNet,特徴ピラミッドネットワークなどの多くの既存のネットワークアーキテクチャに容易に適用でき,それらの性能を効果的に改善することができる。今日では,より進歩したDCNsは複数層の階層的意味情報で設計されているので,モデルはより深く拡大し続ける。PRNの純粋な設計のため,特に軽量モデルに対して,それはすべてのモデルに利益をもたらすことができる。MSCOCOオブジェクト検出実験において,YOLO-v3-PRNは,YOLO-v3と同じ精度を維持し,パラメータの55%の減少と計算の35%の減少を有し,一方,実行速度を2倍増加させた。軽量モデルに対して,YOLO-v3-tini-PRNは,YOLO-v3よりも37%少ないパラメータと38%少ない計算の条件下で同じ精度を維持し,NVIDIA Jetson TX2プラットフォーム上で12fpsまでフレームレートを増加させた。Pelee-PRNは,Peleeより6.7%mAP@0.5高く,最先端の軽量オブジェクト検出を達成した。提案した軽量オブジェクト検出モデルは,マルチオブジェクトトラッキングやナンバープレート認識のような技術と統合されており,そのエッジコンピューティング装置として商用の知的交通流解析システムに使用されている。既に3つの国があり,10以上の都市が交通流解析システムにこの技術を展開している。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： 単一層 ,  交通流 ,  計算機アーキテクチャ ,  ネットワークアーキテクチャ ,  多様化 ,  *学習 ,  都市
準シソーラス用語： 物体追跡 ,  物体検出 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 勾配 ,  組合せ ,  学習 ,  多様化