文献

J-GLOBAL ID：202202219239967057   整理番号：22A0773025

SSIT:画像認識のためのサンプル選択ベース増分モデル訓練法【JST・京大機械翻訳】

SSIT: a sample selection-based incremental model training method for image recognition

著者 (4件)： Zhang Yichuan (Northeastern University, Shenyang, China) ,  Liu Yadi (Northeastern University, Shenyang, China) ,  Yang Guangming (Northeastern University, Shenyang, China) ,  Song Jie (Northeastern University, Shenyang, China)
資料名： Neural Computing & Applications  (Neural Computing & Applications)
巻： 34  号： 4  ページ： 3117-3134  発行年： 2022年 
JST資料番号： W0703A  ISSN： 0941-0643  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 大きいデータ環境において,画像データセットの拡大は,画像認識プロセスをサンプル特性とデータ分布変化に適応させる必要がある。この場合,画像認識研究は,限られた計算と記憶資源の下で,安定性-可塑性ジレンマにおける増分学習のバランス点を見つけることに焦点を合わせる。既存のインクリメンタル学習方法は,一般化性能,反復ラウンド,収束速度,およびデータカテゴリ不均衡に難点があり,そのため,画像認識訓練のための増分学習法を研究することが重要である。本研究では,画像認識のためのサンプル選択ベースの増分モデル訓練法を提案した。各反復に必要な訓練サンプルを最適化することにより訓練プロセスを改善した。訓練サンプルの不均衡を避けるため,一般化誤差ベースのカテゴリ決定法を提案した。動的重みに基づくサンプル選択法を提案し,認識利得の増加の問題を避けた。最後に,実験は,この方式がモデルの一般化能力を強化することができることを示した。同時に,それは認識効果のバランスをとることの目標を満たして,反復の数を減らして,収束を加速することができた。Copyright The Author(s), under exclusive licence to Springer-Verlag London Ltd., part of Springer Nature 2021 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 安定性 ,  塑性 ,  最適化 ,  速度 ,  学習 ,  利得 ,  *画像認識
準シソーラス用語： 不均衡 ,  画像データ ,  収束速度 ,  選択法 ,  インクリメンタル学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： サンプル選択 ,  増分訓練 ,  認識利得 ,  カテゴリー不均衡 ,  画像認識

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 画像認識 ,  サンプル ,  モデル ,  訓練