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。
スケッチ分類タスクを多数のカテゴリーにスケールアップする。訓練のためのスケッチの収集は,これまで大規模なスケッチ認識の試みを除外する遅くて退屈なプロセスである。取得が容易である自然画像のラベル付き収集を利用することにより,訓練スケッチデータの欠如を克服した。ドメインギャップを橋渡しするために,自然画像の訓練集合からスケッチ認識を学習するタスクに合わせた新しい増強技術を提示する。エッジ検出とエッジ選択のパラメータにランダム化を導入した。自然画像は,自然画像の代わりに訓練領域として使われる「ランダム化二値薄型エッジ」(rBTE)と呼ばれる擬似革新的ドメインに翻訳される。スケールアップする能力は,以前に使用されたより2.5倍以上のカテゴリーのCNNベースのスケッチ認識を訓練することによって実証された。この目的のために,874のカテゴリーからの自然画像のデータセットを,多くの一般的なコンピュータビジョンデータセットを結合することによって構築した。カテゴリーはスケッチ認識に適するように選択される。性能を推定するために,スケッチを持つ393カテゴリの部分集合も収集した。【JST・京大機械翻訳】