文献

J-GLOBAL ID：202102246928573104   整理番号：21A0153715

深層信念ネットワークの適応構造学習の微調整モデルを用いた画像ベース亀裂検出のための埋め込みシステム【JST・京大機械翻訳】

An Embedded System for Image-based Crack Detection by using Fine-Tuning model of Adaptive Structural Learning of Deep Belief Network

著者 (2件)： Kamada Shin (Prefectural University of Hiroshima,Research Organization of Regional Oriented Studies,Advanced Artificial Intelligence Project Research Center,Hiroshima,Japan,734-8558) ,  Ichimura Takumi (Prefectural University of Hiroshima,Research Organization of Regional Oriented Studies, Faculty of Management and Information System,Advanced Artificial Intelligence Project Research Center,Hiroshima,Japan,734-8558)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： TENCON  ページ： 1203-1208  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： 深層学習は,入力空間のいくつかの特徴を効果的に表現し,深いアーキテクチャ上の画像認識性能を著しく改良できる成功モデルであった。本研究では,制約付きBoltzmannマシン(適応RBM)と深層信念ネットワーク(適応DBN)の適応構造学習法を深層学習モデルとして開発した。モデルは,ニューロン生成-消滅アルゴリズムによるRBMにおける与えられた入力データのための隠れニューロンの最適数を発見することができる自己組織化機能を持ち,訓練されたDBNにおける隠れ層として適切な数のRBMを得ることができる。提案した方法を,亀裂検出のためのコンクリート画像ベンチマークデータセットSDNET2018に適用した。データセットは,3種類のコンクリート構造(橋床版,壁,舗装道路)について,約56000の亀裂画像を含む。適応DBNの微調整法は,3種類の構造の試験データセットに対して99.7%,99.7%および99.4%の分類精度を示した。本論文では,開発した適応DBNを,ドローン上の実時間推論のためにGPUを有する小型PCに埋め込んだ。速い推論のために,微調整アルゴリズムは,小さなモデルを作るためにいくつかの不活性化隠れニューロンを除去して,次に,モデルは分類精度だけでなく推論速度を同時に改良することができた。携帯用電池充電装置の推論速度と実行時間を,3種類のNvidia組込みシステムで評価した。Jetson Nano,AGX Xavier,およびXavier NX。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： アルゴリズム ,  *亀裂 ,  電池 ,  ニューロン ,  コンクリート ,  舗装道路 ,  充電装置 ,  無人機 ,  橋床版 ,  計算機アーキテクチャ ,  自己組織化 ,  Boltzmannマシン ,  画像認識 ,  組込みシステム
準シソーラス用語： 深層学習 , 【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 (8件)： 深層 ,  信念ネットワーク ,  適応 ,  構造学習 ,  微調整 ,  モデル ,  亀裂検出 ,  埋め込みシステム