深層LDA-Prunedネットを用いた効率的な性別分類【JST・京大機械翻訳】

Tian Qing; Arbel Tal; Clark James J.

プレプリント

J-GLOBAL ID：202202218708847097 整理番号：21P0004187

深層LDA-Prunedネットを用いた効率的な性別分類【JST・京大機械翻訳】

Efficient Gender Classification Using a Deep LDA-Pruned Net

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 (3件)： , ,
資料名：
発行年： 2017年04月20日プレプリントサーバーでの情報更新日： 2018年10月23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。

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】

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

人工知能 , ニューロコンピュータ , パターン認識 , 図形・画像処理一般

, , ,

前のページに戻る