3Dコンビネットのための最適化計画【JST・京大機械翻訳】

Qiu Zhaofan; Yao Ting; Ngo Chong-Wah; Mei Tao

プレプリント

J-GLOBAL ID：202202215793158123 整理番号：22P0026258

3Dコンビネットのための最適化計画【JST・京大機械翻訳】

Optimization Planning for 3D ConvNets

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 (4件)： , , ,
資料名：
発行年： 2022年01月11日プレプリントサーバーでの情報更新日： 2022年01月11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)

3D畳込みニューラルネットワーク(3D ConvNets)を,訓練方式の高い複雑性と様々なオプションにより最適に学習することは自明ではない。最も一般的なハンドチューニングプロセスは,短いビデオクリップを用いて3D ConvNetを学習することから始まり,次に,長いクリップを用いて長期時間的依存性を学習し,一方,訓練の進行として学習速度を高から低に徐々に減衰させる。そのようなプロセスがいくつかの発見的設定と共に来るという事実は,全体の訓練を自動化する最適”経路”を探索するための研究を動機づける。本論文では,経路を一連の訓練”状態”に分解し,ハイパーパラメータ,例えば学習速度,入力クリップの長さを各状態で指定した。性能-epoch曲線上の膝点の推定は,1つの状態から別の状態への移行を誘発する。状態,すなわち最適化経路の最適順列を計画するために,すべての候補状態にわたって動的プログラミングを行った。さらに,空間および時間識別を改善するために,二重ヘッド分類器のユニークな設計を有する新しい3D ConvNetを考案した。7つの公開ビデオ認識ベンチマークに関する大規模な実験は,著者らの提案の利点を実証した。最適化計画によって,著者らの3D ConvNetsは,最先端の認識方法と比較して,優れた結果を達成した。より注目すべきことに,著者らは,速度-400および速度論-600データセットに関して,それぞれ80.5%および82.7%のトップ-1精度を得た。ソースコードはhttps://github.com/ZhaofanQiu/Optimization Planning for 3D ConvNetsで利用可能である。【JST・京大機械翻訳】

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

パターン認識

, , ,

前のページに戻る