文献

J-GLOBAL ID：202002278896906220   整理番号：20A0589903

選択的特徴模倣による量子化1段階物体検出ニューラルネットワークの訓練【JST・京大機械翻訳】

Training quantized one-stage object detection neural networks via selective feature imitation

著者 (4件)： Jia Jiyuan (Chinese Academy of Sciences, Institute of Microelectronics, Beijing, China) ,  Jia Jiyuan (University of Chinese Academy of Sciences, School of Electronic, Electrical and Communication Engineering, Beijing, China) ,  Zhou Li (Chinese Academy of Sciences, Institute of Microelectronics, Beijing, China) ,  Chen Jie (Chinese Academy of Sciences, Institute of Microelectronics, Beijing, China)
資料名： Journal of Electronic Imaging  (Journal of Electronic Imaging)
巻： 28  号： 4  ページ： 043022  発行年： 2019年 
JST資料番号： W0500A  ISSN： 1017-9909  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)

抄録/ポイント： 要約。低精度数値を用いたニューラルネットワークの量子化は,記憶と計算資源に対する要求を低減するための効率的な手法であり,資源制約装置上でニューラルネットワークを実行することを現実にする。しかし,ニューラルネットワークの精度は,通常の量子化後,特にオブジェクト検出タスクに対して劣化する。このジレンマを克服するために,一段階物体検出ニューラルネットワークのための教師-学生ベース量子化訓練方式を提案した。最初に,重みと活性化の量子化構成を各層のそれらの統計的確率密度によって決定して,このように,固定小数点数値のより低い表現誤差を確実にした。第二に,高性能浮動小数点教師検出ニューラルネットワークからの補足的監視情報を用いて,量子化された学生検出ニューラルネットワークの訓練を支援した。したがって,量子化された学生の表現と適合能力は,特徴選択マトリックスにおいて示される教師のキー特徴を選択的に模倣することによって,著しく改善されることができる。著者らの方法の優位性を,他の関連する方法と比較していくつかのベンチマークデータセット上で検証した。PASCAL VOC2007テストセットに関して,著者らの方法で訓練された4ビット量子化Tiny-YOLOv2の平均精度(mAP)は61.1%に達することができ,プレーン法で訓練された32ビット浮動小数点対応物の57.4%のmAPと比較した。さらに,3ビット量子化検出ニューラルネットワークは,事前訓練された重みなしでさえも満足できるmAPを達成することができ,提案した方法のロバスト性を実証した。Copyright 2019 SPIE and IS&T Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *量子化 ,  特徴選択 ,  *ニューラルネットワーク ,  PASCAL ,  ロバスト性 ,  確率密度
準シソーラス用語： 浮動小数点 ,  資源制約 ,  計算資源 ,  *物体検出 , 【Automatic Indexing@JST】

著者キーワード (4件)： 1段階物体検出 ,  量子化 ,  畳み込みニューラルネットワーク ,  教師-学生パターン

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 模倣 ,  量子化 ,  段階 ,  物体検出 ,  ニューラルネットワーク ,  訓練