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。
畳込みニューラルネットワーク(CNN)の出現は,いくつかのドメインにおけるそれらの応用をもたらした。1つの注目すべき応用はCNNからの予測に依存する自律運転のための認識システムである。実践者は,独立試験データセット上の様々な計量を計算することにより,そのようなCNNの一般化能力を評価する。テストデータセットは,1つの前提条件,すなわち,その要素が訓練データの一部でないだけに基づいて選択されることが多い。そのようなデータセットは,訓練データセットの類似および新しいw.r.t.の両者であるオブジェクトを含む可能性がある。それにもかかわらず,既存の研究は,試験試料の新規性を再現せず,一般化を評価するために,それらをすべて等しく処理する。このような新規性ベースの評価は,自律運転アプリケーションにおけるCNNの適応性を検証するために重要である。したがって,テストデータセットにおけるオブジェクトの新規性を考慮するCNN一般化スコアリングフレームワークを提案した。画像データを低次元空間に縮小するために,表現学習技法を始めた。この空間で,試験試料の新規性を推定した。最後に,試験データ予測性能と新規性の組合せとして一般化スコアを計算した。著者らは,著者らの交通光検出応用に対して同じ実験研究を行った。さらに,新規性の解釈可能な概念の結果を系統的に可視化した。【JST・京大機械翻訳】