文献

J-GLOBAL ID：202002273056122170   整理番号：20A2283372

画像認識のための深層能動移動学習【JST・京大機械翻訳】

Deep Active Transfer Learning for Image Recognition

著者 (2件)： Singh Ankita (Florida State University,Department of Computer Science) ,  Chakraborty Shayok (Florida State University,Department of Computer Science)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IJCNN  ページ： 1-9  発行年： 2020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： 近年,深層学習はコンピュータビジョンの分野を革命し,様々なアプリケーションにおいて最先端の性能を達成した。しかし,ロバストな深層ニューラルネットワークの訓練は,大量の手でラベルされた訓練データを必要とし,それは時間消費と労働集約的である。アクティブ学習と転送学習は,限られたラベル付きデータによる学習問題に対処する2つの一般的な方法論である。アクティブ学習は,大量のラベルなしデータから顕著で模範的なインスタンスを選択する。転送学習はラベル付きソースドメインから知識を利用して,ラベル付きデータが不足している(関連)ターゲットドメインに対するモデルを開発する。本論文では,弱い監視の制約の下で,深い畳み込みニューラルネットワークを用いて,与えられたデータセットから有益な特徴表現を学習する目的で,新しい能動転送学習アルゴリズムを提案した。本研究では,研究課題に関連する損失関数を定式化し,勾配降下アルゴリズムを利用して,損失を最適化し,深いネットワークを訓練した。知る限りでは,これは,弱い人間の監督の下で,深層ニューラルネットワークを用いて有益な特徴表現を学習する目的で,能動および転送学習を統合するタスク特異的損失関数を提案する最初の研究努力である。多様な挑戦的,実世界アプリケーションに関する著者らの広範な経験的研究は,競合するベースラインに対する著者らのフレームワークのメリットを示す。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： 最適化 ,  *学習 ,  損失関数 ,  ネットワーク ,  応用プログラム ,  コンピュータビジョン ,  定式化 ,  ロバスト性 ,  学習アルゴリズム ,  *画像認識
準シソーラス用語： 訓練データ ,  能動学習 ,  深層学習 ,  ディープニューラルネットワーク ,  畳込みニューラルネットワーク , 【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 (3件)： 画像認識 ,  深層 ,  学習