制限されたトレーニングデータによる画像分類のためのスライス化Wasserstein空間における不変性符号化【JST・京大機械翻訳】

Rabbi Mohammad Shifat E; Zhuang Yan; Li Shiying; Rubaiyat Abu Hasnat Mohammad; Yin Xuwang; Rohde Gustavo K.

プレプリント

J-GLOBAL ID：202202218964821224 整理番号：22P0025217

制限されたトレーニングデータによる画像分類のためのスライス化Wasserstein空間における不変性符号化【JST・京大機械翻訳】

Invariance encoding in sliced-Wasserstein space for image classification with limited training data

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 (6件)： , , , , ,
資料名：
発行年： 2022年01月09日プレプリントサーバーでの情報更新日： 2022年07月24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)

深い畳み込みニューラルネットワーク(CNN)は,最先端の一般的エンドツーエンド画像分類システムであると広く考えられている。しかし,訓練データが制限され,従って,この方法を計算的に高価で,常に有効でないデータ増強戦略を必要とする場合,それらは知らないことが知られている。機械学習で典型的に行われるように不変性を符号化するデータ増強戦略を使用するよりも,ここでは,最近導入された画像変換であるRadon累積分布変換(R-CDT)の特定の数学的特性を利用して,スライスWasserstein空間における最近傍部分空間分類モデルを数学的に増強することを提案する。特定のタイプの学習問題に対して,この数学的解は分類精度と計算量に関して深いCNNによるデータ増強よりも利点を持ち,特に限られた訓練データ設定の下で有効であることを実証した。この方法は簡単,効果的,計算的に効率的,非反復的であり,調整すべきパラメータを必要としない。著者らの方法を実行するPythonコードは,https://github.com/rohdelab/mathematical_augmentationで利用可能である。この方法は,https://github.com/rohdelab/PyTransKitで利用できるソフトウェアパッケージPyTransKitの一部として統合される。【JST・京大機械翻訳】

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

人工知能 , パターン認識

, , , , ,

前のページに戻る