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。
自然画像は通常複数のオブジェクトを含むので,マルチラベル画像分類は単一ラベル分類より野生で適用可能である。しかし,関心のあらゆるオブジェクトによる徹底的注釈付け画像は,高価で時間がかかる。単一ラベルアノテーションのみからマルチラベル分類器を訓練することを目指した。一貫性損失を加えることにより,ネットワークの予測が連続訓練期間にわたって一貫性のあることを確実にし,弱い教師つき設定においてマルチラベル分類器を訓練する単純だが有効な方法であることを示した。さらに,各訓練画像に対するクラスごとの走行平均ヒートマップを維持する,連続訓練期間にわたって生成された空間特徴マップの一貫性を確保することにより,このアプローチを空間的に拡張した。この空間一貫性損失が分類器のマルチラベルmAPをさらに改善することを示した。さらに,本手法は,データ増強により入力画像から多くの単一地上真実物体が作れる場合でも,正しい監視信号を回復することにより「作物」データ認証の欠点を克服することを示した。著者らは,MS-COCOとPascal VOCに関して,バイナリ交差エントロピーベースライン,および競合する方法に関して,一貫性と空間的一貫性損失の利得を実証した。また,ReaLマルチラベル検証セットを用いて,ImageNet-1K上で改善されたマルチラベル分類mAPを実証した。【JST・京大機械翻訳】