文献

J-GLOBAL ID：202202261015358494   整理番号：22A0396912

一般化ゼロショット学習のための双方向マッピング結合GAN【JST・京大機械翻訳】

Bidirectional Mapping Coupled GAN for Generalized Zero-Shot Learning

著者 (5件)： Shermin Tasfia (School of Engineering, Information Technology and Physical Sciences, Federation University Australia, Churchill, VIC, Australia) ,  Teng Shyh Wei (School of Engineering, Information Technology and Physical Sciences, Federation University Australia, Churchill, VIC, Australia) ,  Sohel Ferdous (Discipline of Information Technology, Murdoch University, Perth, WA, Australia) ,  Murshed Manzur (School of Engineering, Information Technology and Physical Sciences, Federation University Australia, Churchill, VIC, Australia) ,  Lu Guojun (School of Engineering, Information Technology and Physical Sciences, Federation University Australia, Churchill, VIC, Australia)
資料名： IEEE Transactions on Image Processing  (IEEE Transactions on Image Processing)
巻： 31  ページ： 721-733  発行年： 2022年 
JST資料番号： W0364A  ISSN： 1057-7149  CODEN： IIPRE4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 双方向マッピングベース一般化ゼロショット学習(GZSL)法は,合成特徴の品質に依存し,見えないデータを認識する。従って,見えないクラスの関節分布を学習し,見えないクラス間の識別を保存することは,GZSL法にとって極めて重要である。しかしながら,既存の方法は,GZSL問題設定において,非意味クラス意味論が利用可能であるが,観測データの根底にある分布のみを学習する。ほとんどの方法は,見えないデータを認識するための学習された分布を利用し,学習した分布を利用する。その結果,それらはうまく機能しなかった。本研究では,利用可能なクラス意味論と並んで,強力な視覚-意味的結合を通して関節分布を学習する,利用可能な非意味クラス意味論を利用した。双方向写像モデルへの結合生成敵対ネットワークの概念を拡張することにより,双方向写像結合生成敵対ネットワーク(BMCoGAN)を提案した。さらに,共同分布学習を監督するために,Wasserstein生成敵対最適化を統合した。合成特徴における見えないクラスの特有の情報を保持するための損失最適化を設計し,実際の見える特徴から合成された特徴および実際の見える特徴から離れて合成されない特徴のプルを押し出すために,合成したクラスに向けてバイアスを縮小するという,見えるクラスに対するバイアスを縮小する。ベンチマークデータセット上でBMCoGANを評価し,現在の方法に対して優れた性能を示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  視覚 ,  写像 ,  意味論 ,  *学習 ,  ネットワーク

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 一般化 ,  ショット ,  学習 ,  双方向 ,  マッピング ,  GaN