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。
人間-コンピュータインタラクションのような多くのリアルタイムタスクは,高速で効率的な顔性分類を必要とする。深いCNNネットは多数の分類タスクに対して非常に有効であるが,それらの高い空間と時間要求は,強力なGPUなしにパーソナルコンピュータとモバイルデバイスに対してそれらを非現実的にする。本論文では,高精度を維持しながら効率を高める16層,軽量,ニューラルネットワークを開発した。著者らのネットは,ニューロン活性化が性を与えると高度に相関しない最後の畳み込み(対流)層から開始するVGG-16モデルから剪定される。Fisher線形判別解析(LDA)を通して,この高い逆相関は,高いクラス内分散と低いクラス間分散で,直接最後の対流層ニューロンを捨てることを安全にすることを示した。サポートベクターマシン(SVM)またはBayes分類のいずれかと組み合わせて,縮小CNNは,完全接続層を有する元のネットより,LFWおよびCelebAデータセットにおいて同程度(またはより高い)精度を達成することができる。LFWでは,4つのConv5_3ニューロンだけが比較的高い認識精度を維持することができ,11倍高速化で70Xの因子によって全ネットワークサイズの減少をもたらす。また,精度損失と畳み込み層剪定率に関して,2つのより小さなネットと同様に最先端の剪定法との比較も提供した。【JST・京大機械翻訳】