部分的ネットワーク共有を用いた深層畳込みニューラルネットワークにおける増分学習【JST・京大機械翻訳】

Sarwar Syed Shakib; Ankit Aayush; Roy Kaushik

プレプリント

J-GLOBAL ID：202202208313336080 整理番号：22P0043271

部分的ネットワーク共有を用いた深層畳込みニューラルネットワークにおける増分学習【JST・京大機械翻訳】

Incremental Learning in Deep Convolutional Neural Networks Using Partial Network Sharing

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (3件)： , ,
資料名：
発行年： 2017年12月07日プレプリントサーバーでの情報更新日： 2019年05月02日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

深い畳み込みニューラルネットワーク(DCNN)ベースの教師つき学習は,大規模画像分類のための広く実践されたアプローチである。しかし,これらの大きなネットワークを再訓練して,新しい,以前には,データ要求は,高い計算時間とエネルギー要求を要求する。また,以前に見られた訓練試料は再訓練時に利用できない。ベースネットワークの一部を共有しながら,新しいタスクを学習するために,効率的な訓練方法論とインクリメンタルに成長するDCNNを提案した。提案手法は,以前に学習されたタスクを忘れないが,転送学習技法によってヒントを得た。ネットワークの新しい集合を学習するための更新されたネットワークを,ネットワークの後期層に含まれている少数の新しく加えられた畳込みカーネルの付加によって,以前に学習された畳込み層(ベースネットワークの初期部分から共有)を用いて形成した。著者らは,古いタスクにおけるいかなる性能損失なしでも,ネットワークが新しいタスクを学習するのを可能にする,「のクローンと分岐の技術を採用した。いくつかの認識アプリケーションで提案方式を評価した。著者らのアプローチによって達成された分類精度は,通常の増分学習アプローチ(ネットワーク共有なしでネットワークが新しい訓練サンプルだけによって更新される)と同程度であり,一方,エネルギー効率,記憶要求の低減,メモリアクセスおよび訓練時間を達成した。【JST・京大機械翻訳】

, , , , , , , ,
, , , , 【Automatic Indexing@JST】

人工知能 , パターン認識

, , ,

前のページに戻る