文献

J-GLOBAL ID：202102236573449333   整理番号：21A3269300

画像劣化に対する転送学習のロバスト性【JST・京大機械翻訳】

Robustness of transfer learning to image degradation

著者 (2件)： Ren Sijin (Department of Radiology and Biomedical Imaging, Yale University, 330 Cedar Street, New Haven, CT 06510, USA) ,  Li Cheryl Q. (Mechanical Engineering Department, University of New Haven, 300 Boston Post Road, West Haven, CT 06516, USA)
資料名： Expert Systems with Applications  (Expert Systems with Applications)
巻： 187  ページ： Null  発行年： 2022年 
JST資料番号： W0178A  ISSN： 0957-4174  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： 数千のカテゴリーで分類された数百万の画像を含む,いくつかのオープンに共有された大規模データセットのアベイラビリティにより,近年,ニューラルネットワークを用いた画像分類研究において,大きな進歩がなされてきた。しかし,実生活画像処理アプリケーションでは,画像の品質が完全でない状況にしばしば実行され,サンプルデータが制限される。本論文では,画像退化の存在における転送学習ニューラルネットワークのロバスト性を調べた。特に,画像に存在する低解像度,雑音崩壊,不必要な作付,または回転が存在するとき,提案したネットワークの許容レベルを調べた。また,転送学習アルゴリズムがロバスト性能を生成できるデータサイズの範囲を調べた。本研究は,サンプルサイズが一定の閾値に達するとき,提案した転送学習アルゴリズムがサイズ差に鈍感であることを明らかにした。画像処理性能は,画像の100%が0.5標準偏差で雑音で崩壊する最悪ケースシナリオを含むすべての画像劣化状況において,75%またはより高い精度を達成できる。これらの実験結果は,転送学習ニューラルネットワークのロバスト性を実証した。最も重要なことに,これらの経験的結果は,画像処理コミュニティにおけるユーザへのbold提案をもたらす。高い画像品質を有する巨大なデータセットを収集する努力の量は,かなり正確な同定結果に対しても必要でない。Copyright 2021 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： 雑音 ,  *学習 ,  ネットワーク ,  標準偏差 ,  ニューラルネットワーク ,  画像処理 ,  アベイラビリティ ,  画質 ,  応用プログラム ,  退化 ,  *ロバスト性 ,  学習アルゴリズム
準シソーラス用語： 画像分類 ,  大規模データセット , 【Automatic Indexing@JST】

著者キーワード (5件)： 画像分類 ,  転移学習 ,  畳込みニューラルネットワーク ,  ロバスト性の学習 ,  画像劣化

分類 (3件)： パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 画像劣化 ,  転送 ,  学習 ,  ロバスト性