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。
自己監督学習による特徴表現は画像レベルコントラスト学習において顕著な成功に達し,画像分類タスクに印象的な性能をもたらす。画像レベル特徴表現は主に単一インスタンスにおけるコントラスト学習に焦点を合わせるが,オブジェクト検出とインスタンスセグメンテーションのような事前テキストと下流予測タスクの間の客観的差異を無視する。下流予測タスクに関する特徴表現の電力を完全に取り除くために,著者らは,InsConと呼ばれる新しいエンドツーエンド自己監督フレームワークを提案し,それは,オブジェクト認識と位置確認のために,マルチインスタンス情報を捕えて,セル-インスタンス特性を抽出することに専念した。一方では,InsConは,入力としてマルチインスタンス画像を適用する目標学習パラダイムを構築し,対応するインスタンスビュー間の学習された特徴を整列させ,マルチインスタンス認識タスクに対してそれをより適切にする。一方,InsConは,正確な境界局在化のための微細粒特徴表現を強化するための細胞一貫性を利用する,セル-インスタンスのプルとプッシュを導入する。結果として,InsConは,空間特徴表現に関する意味的特徴表現とセル-インスタンス一貫性に関するマルチインスタンス一貫性を学習する。実験により,提案手法は,COCOオブジェクト検出において,MoCo v2を1.1%AP V2で,また,90k反復で,Mask R-CNN R50-FPNネットワーク構造を用いて,COCOインスタンスセグメンテーションにおいて,1.0%APbbを,高速R-CNN R50-C4ネットワーク構造を用いて,24k反復を用いて,PASCAL VOC物体検出において,2.1%APbbを,凌駕した。【JST・京大機械翻訳】