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(SSL)法は,作付けサイズやコンテンツに関係なく,同じ画像の異なる作物から抽出した特徴間の類似性を最大化することにより,ビュー不変表現を学習することを目的とする。本質的に,この戦略は,2つの作物が,異なる画像情報,例えば,背景と小さなオブジェクトを真に含むという事実を無視し,従って,学習された表現の多様性を抑制する傾向がある。本研究では,局所およびグローバル作物について明示的に推論する,新しい自己監督学習戦略,LoGo,を導入することによってこの問題に対処した。視野不変性を達成するために,LoGoは,地球規模と局所作物との間と同様に,同じ画像からのグローバル作物間の類似性を奨励する。しかし,より小さな作物の含有量が全く異なるという事実を正確にコード化するために,LoGoは2つの局所作物を促進し,異なる表現を持つが,地球規模の作物に近い。このLoGo戦略は既存のSSL法に容易に適用できる。様々なデータセットおよび異なる自己監督学習フレームワークを用いた著者らの広範な実験は,既存のアプローチに対する優位性を検証した。注目すべきことに,データの1/10だけを使用するとき,転送学習に関する教師つきモデルより良い結果を達成した。【JST・京大機械翻訳】