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。
多層畳込みスパース符号化(ML-CSC)に統合した追跡アルゴリズムは畳み込みニューラルネットワーク(CNN)を解釈できる。しかし,多くの最新最先端(SOTA)追跡アルゴリズムはML-CSCの解を最適化するための多重反復を必要とし,それは,性能の非常に小さな利得を得るために,高い計算コストと多数の資源のために,より深いCNNへの応用を制限する。本研究では,ML-CSCに対する解を改良できる各層に対する効果的な初期化戦略を導入することにより,追跡アルゴリズムにおける0次反復に焦点を当てた。具体的には,まず,SOTAアルゴリズムと比較して反復回数の制限なしにML-CSC問題を解く新しい幅-深さ同期拡張ベースベース追跡(WSEBP)アルゴリズムを提案し,各層における効果的な初期化により性能を最大化する。次に,画像分類タスクにおけるWSEBPの性能を検証するために,ML-CSCベース特徴符号器と完全接続層から成る簡単で統一されたML-CSCベース分類ネットワーク(ML-CSC-Net)を提案した。実験結果は,提案したWSEBPが精度と消費資源に関してSOTAアルゴリズムより優れていることを示した。さらに,CNNに統合したWSEBPは,より深いCNNの性能を改善し,それらを解釈できる。最後に,VGGを用例として,著者らは,VGG13の性能を強化するためにWSEBP-VGG13を提案して,それは,4つの公開データセット,すなわち,Cifar-10データセットに関して87.79%対86.83%,Cifar-100データセットに関して58.01%対54.60%,COVID-19データセットに関して58.01%対54.60%,および亀裂データセットに関して99.88%対99.78%であった。結果は,提案したWSEBPの有効性,WSEBPによるML-CSCの改良性能,およびCNNまたはより深いCNNの解釈を示した。【JST・京大機械翻訳】