文献

J-GLOBAL ID：202102225512120367   整理番号：21A0739056

マルチタスク学習に基づく有限サンプル多視点三次元形状認識アルゴリズム【JST・京大機械翻訳】

3D Shape Recognition Based on Multi-task Learning with Limited Multi-view Data

著者 (2件)： Zhou Ziqin (四川大学電子信息学院 成都 610065) ,  Yan Hua (四川大学電子信息学院 成都 610065)
資料名： Jisuanji Kexue  (Jisuanji Kexue)
巻： 47  号： 4  ページ： 125-130  発行年： 2020年 
JST資料番号： C2530A  ISSN： 1002-137X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 三次元走査技術の迅速な発展に伴い、3次元形状分析が学術界の広範な関心を集め、特に深さ学習がコンピュータビジョンで取得する顕著な成功は、マルチビューに基づく三次元形状識別方法が現在の3次元モデル識別の主流方式になった。既存の研究により、3次元データセットの数量は最終的な分類精度に対して非常に重要な影響条件であることが明らかになった。しかし、専門三次元スキャン設備の制限により、三次元形状データは収集が難しい。実際、既存の公共基準の3次元データセットの規模は二次元データセットより遥かに小さく、三次元形状分析の発展は妨げられている。この問題を解決するために,3D形状認識問題のための最適解戦略を,最小データサンプルにおいて,主に研究した。マルチタスク学習の啓発により、多分枝のネットワーク構造を構築し、計量学習に基づく補助比較モジュールを導入し、類内と類間の類似性と差異性情報をマイニングする。ネットワークモデルは主分岐と補助分岐を含み、それぞれ異なる損失関数を用いて異なる訓練タスクに対応し、重み超パラメータバランス多項損失を用いる。主分岐は予測分類を得て,交差エントロピー損失関数を用いて更新し,補助分岐は異なったサンプル間の類似性スコアを得て,平均分散損失関数を用いて更新した。固有ベクトルが同一空間に投影され、主、補助支路が同じ特徴抽出モジュールを共有するため、訓練段階においてパラメータを更新し、試験段階において主枝路のみを用いて得られた分類結果のみを用いた。2つの公開された3D形状ベンチマークデータセットに関する実験結果は,提案したネットワーク構造が訓練戦略と比較して,より少ないサンプルにおいて,特徴モジュールの異なった分類能力を著しく向上して,より良い認識結果を得ることができることを示した。Data from Wanfang. Translated by JST.【JST・京大機械翻訳】

シソーラス用語： エントロピー ,  *学習 ,  損失関数 ,  特徴抽出 ,  ネットワーク構造 ,  二次元 ,  コンピュータビジョン ,  *三次元 ,  固有ベクトル ,  三次元モデル
準シソーラス用語： 最適解 ,  ネットワークモデル ,  *三次元形状 ,  *認識アルゴリズム ,  三次元データ , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  計算機網  (JC03000K)

タイトルに関連する用語 (5件)： マルチタスク学習 ,  サンプル ,  視点 ,  形状認識 ,  アルゴリズム