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。
球面画像に適用した畳み込みニューラルネットワーク(CNN)における回転等分散の役割を解析した。S2CNNsとして知られるグループ等変ネットワークの性能と,データ増大量増加で訓練された標準非等変CNNを比較した。選択したアーキテクチャは,それぞれの設計パラダイムのための基準線基準と考えることができる。著者らのモデルを訓練し,球上に投影されたMNISTTまたはFashionMNISTデータセットから単一または複数のアイテムに関して評価した。本質的に回転的に不変である画像分類のタスクに対して,著者らは,データ増大の量とネットワークのサイズをかなり増加させることにより,標準CNNが,等変ネットワークと同じ性能に達することができることを見出した。対照的に,意味的セグメンテーションの本質的に等変なタスクのために,非等変ネットワークは,かなり少ないパラメータを有する等変ネットワークによって一貫して上回った。また,異なるネットワークの推論待ち時間と訓練時間を解析し,比較し,実際の問題に対する等変アーキテクチャとデータ増強の間の詳細なトレードオフ考察を可能にした。実験に用いた等変球形ネットワークはhttps://github.com/JanEGerken/sem_seg_s2cnnで利用できる。【JST・京大機械翻訳】