文献

J-GLOBAL ID：202102238433526048   整理番号：21A0066870

画像分類を意識した雑音除去のための少数クラス学習【JST・京大機械翻訳】

Few-Class Learning For Image-Classification-Aware Denoising

著者 (2件)： Mamiya Kei (Chiba Institute of Technology,Japan) ,  Miyata Takamichi (Chiba Institute of Technology,Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICIP  ページ： 948-952  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 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】

シソーラス用語： *雑音 ,  *学習 ,  損失関数 ,  ネットワーク ,  前処理 ,  エンドツーエンド方式 ,  *雑音除去
準シソーラス用語： *画像分類 ,  分類会計機 ,  隠れ層 ,  分類精度 ,  画像雑音除去 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 画像分類 ,  意識 ,  雑音除去 ,  クラス ,  学習