文献

J-GLOBAL ID：202102223605310362   整理番号：21A0628288

領域プール学習の導入【JST・京大機械翻訳】

Introducing Region Pooling Learning

著者 (3件)： Vargas Jesus Adan Cruz (Intel Labs, Guadalajara, Mexico) ,  Esquivel Julio Zamora (Intel Labs, Guadalajara, Mexico) ,  Tickoo Omesh (Intel Labs, Guadalajara, Mexico)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 12661  ページ： 714-724  発行年： 2021年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 近年,畳み込みニューラルネットワーク(CNN)トポロジーの進歩は,ますます高速のペースで絶えず進化し,現在の新しい提案は,利用可能なベンチマークに関する性能結果を押し込み,また,利用可能なベンチマークに関する性能結果を押すことができ,また,最新技術の既知の状態に匹敵する結果を達成できる,より低い数の訓練可能なパラメータを持つより小さなモデルに向けて最適化する。この日に,これらの新規手法の大部分は,プール層の使用,またはCNNの主要なビルディングブロックの1つ,すなわち,従来の最大プールと平均プール化層の1つとして,ネットワークを通して徐々に特徴の空間次元を減らし,また,関心の対象の位置の貴重な情報を必ずしも含めない値を得るために,従来の最大プールと平均プール層のいずれかを頼るかのいずれかに依存するものである。”これらの新規アプローチの殆どは,その利用に頼るものである。”その方法”は,CNN,即ち,従来の最大プールと平均プール層,の1つとして,従来の最大プールと平均プール化層,の1つとして,従来の最大プールと平均プール層,の1つとして,特に関心の対象の位置の貴重な情報を含む値を得ることである。これらの2つの層の間の選択は,典型的にニューラルネットワーク建築家の経験に基づき,いくつかの訓練手順が最良の精度を保証するために評価されなければならない。本研究では,最適プール行動を訓練を通して学習する領域プール学習の概念を導入した。さらに,領域プール層の知識はより深い層によって活用できる。領域プール層は,最大プールまたは平均プールとして振舞うことができ,訓練に基づく最も便利な価値をプールするかもしれない。2つの利用可能な画像データセットに関する本研究で提示した実験結果は,領域プール層の使用が,Resnet18CNNネットワークの性能を改善し,いくつかの場合において,典型的なResNet110 CNNを凌駕することを示唆した。Copyright Springer Nature Switzerland AG 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 位相幾何学 ,  最適化 ,  *学習 ,  ネットワーク ,  ニューラルネットワーク ,  建築家 ,  ベンチマーク
準シソーラス用語： 画像データ ,  ビルディングブロック ,  画像分類 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (3件)： 特徴プーリング ,  畳込みニューラルネットワーク ,  画像分類

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (1件)： 学習