文献

J-GLOBAL ID：202202275398284700   整理番号：22A0980213

ニューラルネットワークを用いた視覚コンテンツのためのテキスト記述生成【JST・京大機械翻訳】

Textual Description Generation for Visual Content Using Neural Networks

著者 (3件)： Garg Komal (Indian Institute of Information Technology, Allahabad, Allahabad, India) ,  Singh Varsha (Indian Institute of Information Technology, Allahabad, Allahabad, India) ,  Tiwary Uma Shanker (Indian Institute of Information Technology, Allahabad, Allahabad, India)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 13184  ページ： 16-26  発行年： 2022年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
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： 機械学習における様々な方法は,画像とビデオフレームのための記述テキストを生成し,それらを処理する際に顕著な利用がある。この地域は,過去数年における研究者の巨大な興味を引きつけてきた。テキスト生成のために,様々なモデルはCNNとRNN結合アプローチを含んでいる。RNNは言語モデリングにおいてよく機能した。それは長い間情報を維持するのに欠けている。LSTM言語モデルは,その長期依存性処理のため,この欠点を克服することができる。ここで,提案した方法論は,VGG19畳込みニューラルネットワークがエンコーダとして働いているEncoder-Decoderアプローチである。LSTM言語モデルは,文章を生成するデコーダとして働いている。モデルは,Flickr8Kデータセット上で訓練され,テストされ,わずかな修正でより大きなデータセットFlickr30Kでテキスト記述を生成することができる。結果をBLEUスコア(バイリンガル評価研究スコア)を用いて作成した。GUIツールは,子供の教育の分野を助けるために開発された。このツールは,画像に対して生成されたテキスト記述のためにオーディオを生成し,インターネット上の類似コンテンツの探索を助ける。Copyright Springer Nature Switzerland AG 2022 Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *視覚 ,  言語 ,  *ニューラルネットワーク ,  復号器 ,  符号器 ,  オーディオ機器 ,  子供 ,  インターネット ,  機械学習 ,  *コンテンツ ,  言語モデル
準シソーラス用語： バイリンガル ,  言語モデリング ,  畳込みニューラルネットワーク ,  長短期記憶 , 【Automatic Indexing@JST】

著者キーワード (3件)： 畳込みニューラルネットワーク ,  長期短期記憶 ,  研究スコア下の二言語評価

分類 (4件)： 人工知能  (JE08000Z) ,  自然語処理  (JE06000L) ,  パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (4件)： ニューラルネットワーク ,  視覚 ,  コンテンツ ,  記述