文献

J-GLOBAL ID：202202225464231159   整理番号：22A0942010

視覚のためのGAN,関係のためのKG:ゼロショット動作認識のための2段階ネットワーク【JST・京大機械翻訳】

GAN for vision, KG for relation: A two-stage network for zero-shot action recognition

著者 (6件)： Sun Bin (Beijing Institute of Artificial Intelligence, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China) ,  Kong Dehui (Beijing Institute of Artificial Intelligence, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China) ,  Wang Shaofan (Beijing Institute of Artificial Intelligence, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China) ,  Li Jinghua (Beijing Institute of Artificial Intelligence, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China) ,  Yin Baocai (Beijing Institute of Artificial Intelligence, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China) ,  Luo Xiaonan (Beijing Institute of Artificial Intelligence, Beijing Key Laboratory of Multimedia and Intelligent Software Technology, Faculty of Information Technology, Beijing University of Technology, Beijing 100124, China)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 126  ページ： Null  発行年： 2022年 
JST資料番号： D0611A  ISSN： 0031-3203  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ゼロショット動作認識は,サンプルにおける一般的潜在意味表現を調査することによって訓練において利用できない非セエンクラスのサンプルを認識することができた。しかし,ほとんどの方法は,ゼロショット学習の貧弱な一般化能力をもたらす行動クラス間の注釈関係と拡張関係を無視した。さらに,学習した分類器は,見えるクラスのサンプルを予測し,貧弱な分類性能をもたらす。上記の問題を解決するために,ゼロショット動作認識のための2段階深層ニューラルネットワークを提案し,それは,サンプリング段階として役立つ特徴生成サブネットワークと分類段階として機能するグラフ注意サブネットワークから成る。サンプリング段階において,著者らは,見えるクラスの行動特性と単語ベクトルによって訓練された生成的敵対ネットワーク(GAN)を利用して,それは,見えるクラスの訓練サンプルデータをバランスさせることができ,そして,見えないクラスの訓練サンプルデータのバランスをとることができる。分類段階では,行動クラスと関連オブジェクトの単語ベクトル間の関係に基づく知識グラフ(KG)を構築し,行動クラスとオブジェクト間の関係を動的に更新し,ゼロショット学習の一般化能力を強化する,注意機構に基づくグラフ畳込みネットワーク(GCN)を提案する。両ステージにおいて,著者らは,特徴生成のためのブリッジとして単語ベクトルを,そして,クラスに見えるクラスから,分類器の一般化を,すべて使用した。提案手法をUCF101とHMDB51データセットの最先端手法と比較した。実験結果は,著者らの提案方法が訓練された分類装置の分類性能を改善し,より高い精度を達成することを示した。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *視覚 ,  畳込み ,  ベクトル ,  学習 ,  *ネットワーク ,  分類 ,  分類装置 ,  精度 ,  *認識 ,  単語 ,  アノテーション
準シソーラス用語： 意味表現 ,  行動特性 ,  *動作認識 ,  サブネットワーク ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： 行動認識 ,  ゼロショット学習 ,  生成敵対ネットワーク ,  グラフ畳込みネットワーク

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (5件)： 視覚 ,  GaN ,  ショット ,  動作認識 ,  段階