抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
オブジェクト部品に関する微妙な特徴表現は,細粒認識において重要な役割を果たす。例えば,専門家は,専門知識に従ってオブジェクト部分にのみ依存する細粒オブジェクトを識別できる。本論文では,エキスパート知識を獲得するために,細粒認識の困難さを強化し,分類モデルを運動させるために,新しい「定義と構築学習」(DCL)法を提案した。標準的な分類バックボーンネットワークに加えて,もう一つの「破壊と構築」ストリームを導入し,識別領域と特徴を学習するために,入力画像を注意深く「破壊する」と「再構成」する。より具体的には,「破壊」に対して,最初に入力画像を局所領域に分割し,次に領域融合機構(RCM)によりそれらをシャッフルする。これらの破壊された画像を正しく認識するために,分類ネットワークは,差異をスポッティングするための識別領域に,より多くの注意を払わなければならない。RCMによって導入された雑音を補償するために,破壊されたものから元の画像を区別する敵の損失を,RCMによって導入されたノイズのあるパターンを拒否するために適用した。「構築」のために,局所領域の元の空間配置を復元することを試みる領域アラインメントネットワークを,局所領域間の意味的相関をモデル化するために追跡した。パラメータ共有による共同訓練によって,著者らの提案したDCLは,分類ネットワークに対してより識別的な局所的詳細を注入した。実験結果は,著者らの提案フレームワークが3つの標準ベンチマークに関して最先端の性能を達成することを示した。さらに,提案した方法は訓練中にいかなる外部知識も必要とせず,標準的な分類ネットワークフィードフォワードを除いて推論時間における計算オーバーヘッドは存在しない。ソースコード:https://github.com/JDAI-CV/DCL。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】