文献

J-GLOBAL ID：202002286014919349   整理番号：20A1062304

モノのインターネットに基づく深層学習を用いた大規模マルチモーダル知覚データ分類法【JST・京大機械翻訳】

A Massive Multi-Modal Perception Data Classification Method Using Deep Learning Based on Internet of Things

著者 (2件)： Jiang Linli (School of Mathematics and Computer Science, Guangxi Science & Technology Normal University, Laibin, Guangxi, China) ,  Wu Chunmei (School of Mathematics and Computer Science, Guangxi Science & Technology Normal University, Laibin, Guangxi, China)
資料名： International Journal of Wireless Information Networks  (International Journal of Wireless Information Networks)
巻： 27  号： 2  ページ： 226-233  発行年： 2020年 
JST資料番号： W4493A  ISSN： 1068-9605  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 近年,モノのインターネット(IoT)はその広い応用見通しのため急速に開発され,センシング装置のタイプはますます豊富になっている。多くの応用において,監視対象の多次元属性を,複数の独立した不均一データ源を展開することによって測定して,このように,不均一なマルチソースマルチモーダルセンシングデータを得ることができた。本論文において,著者らはマルチソースとマルチモーダルデータのデータ品質を測定して,データ品質情報を完全に利用して,不均一なマルチソースとマルチモーダルセンシングデータのための分類と検出方法を提案した。目的は,可能な限りネットワーク資源を節約するために,データ品質を保証し,データ伝送のためのいくつかのデータ源を選択することである。まず第一に,不均一マルチモーダルデータによって引き起こされた問題を深いニューラルネットワークの特徴変換によって解決して,革新的訓練方法を用いて,オリジナルのマルチモーダル高次元データから強い判別能力と低次元特性を有するマルチモーダル共有特徴表現を抽出した。次に,構造的なスパース多モード特徴表現とモード選択による深い学習を結合するアルゴリズムを提案して,それは多モードデータをモード独立の抽象的表現に変換するために深い学習を革新的に使用した。最後に,構造的スパース法を用いて,最終的特徴の次元を減少させるために抽象的表現における特徴次元をさらに選択した。実験により,提案したモデルの平均誤警報率は2.2%であり,他の類似アルゴリズムよりも明らかに優れていることを示した。Copyright Springer Science+Business Media, LLC, part of Springer Nature 2019 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  ニューラルネットワーク ,  検出法 ,  モード選択 ,  検出器 ,  *多モード ,  高次元
準シソーラス用語： データ伝送 ,  データ品質 ,  データ分類 ,  特徴変換 ,  高次元データ ,  *モノのインターネット ,  特徴表現 ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： マルチモーダルデータ分類 ,  モノのインターネット(iot) ,  ディープニューラルネットワーク ,  マルチモーダルデータ不均一性 ,  構造スパース法

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  信号理論  (ND02020G)

タイトルに関連する用語 (6件)： インターネット ,  深層学習 ,  大規模 ,  マルチモーダル ,  知覚 ,  分類法