文献

J-GLOBAL ID：202002281668867771   整理番号：20A0198696

畳込みニューラルネットワークにおけるMarkov確率場によるデータ独立特徴学習【JST・京大機械翻訳】

Data-Independent Feature Learning with Markov Random Fields in Convolutional Neural Networks

著者 (3件)： Peng Yao (School of Electrical and Electronic Engineering, The University of Manchester, Manchester, M13 9PL, UK) ,  Hankins Richard (School of Electrical and Electronic Engineering, The University of Manchester, Manchester, M13 9PL, UK) ,  Yin Hujun (School of Electrical and Electronic Engineering, The University of Manchester, Manchester, M13 9PL, UK)
資料名： Neurocomputing  (Neurocomputing)
巻： 378  ページ： 24-35  発行年： 2020年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 画像分類において,ロバストな画像表現を導出することは,視覚システムの性能を決定する重要なプロセスである。多数の画像特徴と記述子は,長年にわたって人手で開発されてきた。しかし,代替として,特に畳込みニューラルネットワーク(CNN)における深いニューラルネットワークは,画像の特徴やデータからの表現を学習するために人気があり,多くの実世界アプリケーションにおいて顕著な性能を示している。しかし,CNNはしばしば膨大な量のラベル付きデータを必要とし,これは多くの応用,ならびに長い訓練時間において禁止される可能性がある。本論文では,CNNに対する特徴を得るための代替的データ独立手段を考察した。提案したフレームワークは,Markov確率場(MRF)と自己組織化マップ(SOM)を用いて,基本的特徴を生成し,画像内および画像間依存性の両方をモデル化する。種々のMRFテクスチャを最初に合成し,次に畳込み変換不変SOMによりクラスタ化し,一般的な画像特徴を形成した。これらの特徴はCNNの初期畳込みフィルタとして直接適用でき,画像分類のための有効な特徴を導く新しい方法をもたらす。また,MRFフレームワークは,CNNsの性能に及ぼす画像特徴の影響を調べ,決定するための理論的で透明な方法を提供する。MNIST,回転MNIST,CIFAR-10およびCIFAR-100データセットに関する包括的実験を,類似の複雑さの最先端のモデルを上回る結果で実施した。Copyright 2020 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： モデリング ,  *畳込み ,  ロバスト性 ,  画像特性 ,  *学習 ,  クラスタ化 ,  フィルタ ,  自己組織化特徴マップ ,  応用プログラム ,  不変性 ,  *ニューラルネットワーク
準シソーラス用語： 画像表現 ,  画像分類 ,  *Markov確率場 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (7件)： 畳み込みニューラルネットワーク ,  画像表現 ,  Markov確率場 ,  Gibbs分布 ,  自己組織化マップ ,  画像分類 ,  画像特徴

分類 (4件)： 図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z) ,  ニューロコンピュータ  (JC06010Q) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： 畳込みニューラルネットワーク ,  Markov確率場 ,  学習