クロスドメイン画像分類のためのマルチ表現適応ネットワーク【JST・京大機械翻訳】

Zhu Yongchun; Zhuang Fuzhen; Wang Jindong; Chen Jingwu; Shi Zhiping; Wu Wenjuan; He Qing

プレプリント

J-GLOBAL ID：202202215789236128 整理番号：22P0023239

クロスドメイン画像分類のためのマルチ表現適応ネットワーク【JST・京大機械翻訳】

Multi-Representation Adaptation Network for Cross-domain Image Classification

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (7件)： , , , , , ,
資料名：
発行年： 2022年01月04日プレプリントサーバーでの情報更新日： 2022年01月04日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

※このプレプリント論文は学術誌に掲載済みです。なお、学術誌掲載の際には一部内容が変更されている可能性があります。

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】

, , , , , , , , , , , ,
, , , 【Automatic Indexing@JST】

人工知能

, , , ,

前のページに戻る