抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
画像分類ネットワークの精度は,低光環境のような雑音の多い状況において大幅に減少する。この問題に対する簡単な解は,分類前の前処理操作として画像雑音除去ネットワークを統合し,次に分類器を再訓練して分類精度を改善する。しかし,この直接的アプローチは,雑音除去ネットワークがエンドツーエンド訓練を行うための全データセットを必要とするので,過度の訓練時間を受ける。本論文では,損失関数として分類精度を用いる代わりに,画像分類ネットワークの隠れ層の出力の差を用いて提案した。特徴損失あるいは知覚損失として知られるこの損失関数は,データセットから極めて少数のクラスを含む限られた画像のみを用いて雑音除去ネットワークを訓練することを可能にする。実験結果は,訓練のために少数のクラス(元のデータセットの2.5%から10%まで)だけを使用するとき,提案方法が分類精度を劇的に改善することを示した。このアプローチは,画像分類器ネットワークが微調整によって変化する場合でも,以前には,非セエンスクラスに対して有効である。Copyright 2021 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】