文献

J-GLOBAL ID：202202231022917596   整理番号：22A1036672

中国のインキ-ワッシュ絵画の著者分類のためのマルチレベル注意とマルチスケール特徴融合ネットワーク【JST・京大機械翻訳】

Multilevel Attention and Multiscale Feature Fusion Network for Author Classification of Chinese Ink-Wash Paintings

著者 (3件)： Jiang Wei (School of Computer Information and Engineering, Changzhou Institute of Technology, Changzhou, China) ,  Meng Xianglian (School of Computer Information and Engineering, Changzhou Institute of Technology, Changzhou, China) ,  Xi Ji (School of Computer Information and Engineering, Changzhou Institute of Technology, Changzhou, China)
資料名： Discrete Dynamics in Nature and Society  (Discrete Dynamics in Nature and Society)
巻： 2022  ページ： Null  発行年： 2022年 
JST資料番号： W2228A  ISSN： 1026-0226  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： イギリス (GBR)  言語： 英語 (EN)

抄録/ポイント： 高い表現能力を有する特徴を効果的に抽出する方法は,常に研究トピックであり,分類タスクのための挑戦である。既存の方法の大部分は,特徴抽出器として深い畳み込みニューラルネットワークを使用することによって,問題を主に解決する。一連の優れたネットワーク構造は,中国のインキ-ウォッシュ塗装分類の分野で成功しているが,それらの大部分は,ネットワーク構造の簡単な増強と,異なるスケール特徴の直接融合の方法を採用し,それは,ネットワークを,意味的に豊富で,スケール不変の特徴情報をさらに抽出して,このように,分類性能の改善を妨げる。本論文では,マルチレベル注意とマルチスケール特徴融合に基づく新しいモデルを提案した。モデルは,最初に事前訓練された深層ニューラルネットワークの低レベル,中間レベルおよび高レベル層から3種類の特徴マップを抽出する。次に,低レベルおよび中レベル特徴マップを空間注意モジュールによって処理して,それにもかかわらず,高水準特徴マップを,スケール不変性特性を増加させるために,スケール不変性モジュールによって処理した。さらに,条件付きランダム場モジュールを採用して,最適化3スケール特徴マップを融合し,チャネル注意モジュールを追跡して,特徴を精密化した。最後に,マルチレベル深層監視戦略を利用して,より良い性能のためのモデルを最適化した。モデルの有効性を検証するために,本研究で作成した中国インキッシュ塗装データセットに関する広範な実験結果は,モデルの分類性能が他の主流研究方法より良いことを示した。Copyright 2022 Wei Jiang et al. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  表現 ,  *ネットワーク ,  塗装 ,  特徴抽出 ,  *インク ,  *水準 ,  ネットワーク構造 ,  スケール不変性 ,  モデル ,  *指数 ,  *規模
準シソーラス用語： 確率場 ,  *マルチレベル ,  *マルチスケール ,  特徴マップ ,  ディープニューラルネットワーク ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

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

引用文献 (34件)：

• R. Girshick, J. Donahue, Trevor Darrell, J. Malik, "Rich feature hierarchies for accurate object detection and semantic segmentation," Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 580-587, IEEE, Columbus, OH, USA, 23 June 2014.
• K. He, X. Zhang, S. Ren, J. Sun, "Deep residual learning for image recognition," Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 770-778, IEEE, Las Vegas, NV, USA, 27 July 2016.
• A. Krizhevsky, I. Sutskever, G. E. Hinton, "Imagenet classification with deep convolutional neural networks," Proceedings of the Advances in neural information processing systems, pp. 1097-1105, DBLP, Lake Tahoe, Nevada, US, 3 December 2012.
• C. Szegedy, W. Liu, Y. Jia, P. Sermanet, R. Scott, D. Anguelov, D. Erhan, V. Vincent, A. Rabinovich, "Going deeper with convolutions," Proceedings of the IEEE conference on computer vision and pattern recognition, pp. 1-9, IEEE, Boston, MA, USA, 7 June 2015.
• S. Ren, K. He, R. Girshick, J. Sun, "Faster r-cnn: towards real-time object detection with region proposal networks," Proceedings of the Advances in neural information processing systems, pp. 91-99, MIT Press, Montreal Canada, 7 December 2015.

タイトルに関連する用語 (9件)： 中国 ,  インキ ,  絵画 ,  著者 ,  分類 ,  マルチレベル ,  注意 ,  マルチスケール ,  特徴融合