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。
双方向マッピングベース一般化ゼロショット学習(GZSL)法は,合成特徴の品質に依存し,見えないデータを認識する。したがって,見えないドメインと保存ドメイン識別の共同分布を学習することは,これらの方法にとって重要である。しかしながら,既存の方法は,GZSL問題設定において,非意味クラス意味論が利用可能であるが,観測データの根底にある分布のみを学習する。ほとんどの方法は,保持領域区別を無視し,学習された分布を用いて,見えないデータを認識する。その結果,それらはうまく機能しなかった。本研究では,利用可能なクラス意味論と並んで,強力な視覚-意味的結合を通して関節分布を学習する,利用可能な非意味クラス意味論を利用した。結合生成敵対ネットワークを二重領域学習双方向写像モデルに拡張することにより,双方向写像結合生成敵対ネットワーク(BMCoGAN)を提案した。さらに,共同分布学習を監督するために,Wasserstein生成敵対最適化を統合した。合成された特徴におけるドメイン特有の情報を保持するための損失最適化を設計し,実際の見える特徴から合成されている特徴および実際の見える特徴から離れて合成した非セイス特徴のプルを押し出す,見えるクラスに向けてのバイアスを縮小する。ベンチマークデータセット上でBMCoGANを評価し,現在の方法に対して優れた性能を示した。【JST・京大機械翻訳】