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。
よく実行するために,最も深い学習ベースの画像分類システムは大量のデータと計算資源を必要とする。これらの制約は,かなり強力な機械の外で個々のユーザまたは列車モデルに迅速に個人化するのを困難にする。これらの問題を取り扱うために,訓練事例の手ごろいだけに基づく画像を分類するための学習機械への大きな研究,少数ショット学習として知られている分野がある。少数のショット学習研究は,全ての画像が以前に見られたグループの固定数の1つに属するという単純化仮定を伝統的にしている。しかしながら,電話上のカメラロールのような多くの画像データセットは,雑音があり,どんな明確なグループにも関連しないかもしれない画像を含む。少数の例に基づいて新しい画像を分類できるモデルを提案して,以前に見られたグループに属さない画像を認識する。画像が除外され,分類されるかどうかを決定するカットオフを学習するための簡単な機構を含むために,以前の少数ショット学習作業を適応させた。提案手法が現実的な設定でどのように機能するかを調べ,画像の雑音のある曖昧なデータセットに関するアプローチをベンチマークした。携帯電話やWebブラウザのような低電力デバイスで実行するために十分小さいセットアップを含む,モデルアーキテクチャのスペクトル上の性能を評価した。無関係な画像を除外するこのタスクは,従来の少数ショットタスクよりも,大きな余分な困難を引き起こすことを見出した。この誤差の源を分解し,この困難を軽減する可能性のある将来の改善を示唆した。【JST・京大機械翻訳】
