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。
画像分類では,十分なラベルを得るためには,しばしば高価で時間がかかる。この問題を解決するため,ドメイン適応は,しばしば,類似した性質から異なるドメインから大量のラベル付きデータを与える魅力的なオプションを提供する。既存の手法は,主に単一構造によって抽出された表現の分布を整列させ,表現は部分情報を含むだけであり,例えば,飽和,輝度,および色相情報の一部を含むだけである。このラインに沿って,著者らは,交差ドメイン画像分類のための分類精度を劇的に改良できるマルチ表現適応を提案し,特に,Inception Adaptation モジュール(IAM)と呼ばれるハイブリッド構造によって抽出された多重表現の分布の整列を狙った。これに基づいて,著者らは,種々の側面から情報を捕えることができるマルチ表現アラインメントを通して,交差ドメイン画像分類タスクを達成するために,マルチ表現適応ネットワーク(MRAN)を提示した。さらに,適応損失を計算するために最大平均偏差(MMD)を拡張した。この手法はIAMによるほとんどのフィードフォワードモデルを拡張することにより容易に実装でき,ネットワークを逆伝搬により効率的に訓練できる。3つのベンチマーク画像データセットで行った実験は,MRANの有効性を示した。コードはhttps://github.com/easezyc/deep transfer learningで利用可能であった。【JST・京大機械翻訳】