文献

J-GLOBAL ID：202202275943760984   整理番号：22A1163233

リモートセンシング画像検索のための可塑性安定性保存マルチタスク学習【JST・京大機械翻訳】

Plasticity-Stability Preserving Multi-Task Learning for Remote Sensing Image Retrieval

著者 (2件)： Sumbul Gencer (Faculty of Electrical Engineering and Computer Science, Technische Universitaet Berlin, Berlin, Germany) ,  Demir Begum (Faculty of Electrical Engineering and Computer Science, Technische Universitaet Berlin, Berlin, Germany)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5620116.1-16  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  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： 深層学習ベースマルチタスク学習(MTL)法は,リモートセンシング(RS)におけるコンテンツベース画像検索(CBIR)アプリケーションのために最近注目されている。与えられたタスクセット(例えば,シーン分類,意味セグメンテーション,画像再構成)に対して,既存のMTL法は,タスク固有損失関数の直接集約に関する共同最適化アルゴリズムを採用する。このようなアプローチは,限られたCBIR性能を示した。1)タスクは互いに競合し,あるいは互いに混乱する。2)タスクの1つは全体の学習手順を支配している。3)各タスクの特性化は,単一タスク学習と比較して劣っている。これは主に不足による。1)可塑性条件(新しい情報に対する感度と関連する)または2)安定性条件(それは,新しい情報によるラジカル破壊からの保護と関連する)が,全体の学習手順の新しい情報による。この問題を避けるために,初めて,タスクの数とタイプとは無関係に,全体の学習手順の塑性と安定性条件を確保するために,新しい塑性安定性保存MTL(PLASTA-MTL)アプローチを提案した。これは二つの新しい損失関数を定義することにより達成される。最初の損失関数は,グローバル画像表現空間を各タスクで学習された新しい情報に敏感にすることを目的とする,塑性保存損失(PPL)関数である。これは大域的表現とタスク特異的埋込み空間に対する勾配の大きさの差を最小化することにより達成される。2番目の損失関数は,新しいタスクによって根本的に破壊された大域的表現空間を保護することを目的とする安定性保存損失(SPL)関数である。これは大域的表現空間上のタスク勾配間の角度距離を最小化することにより達成される。提案した損失関数を効果的に採用するために,新しい逐次最適化アルゴリズムを導入した。実験結果は,CBIRの文脈における最先端のMTL法と比較して,提案した方法の有効性を示した。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： *塑性 ,  ラジカル ,  *学習 ,  セグメンテーション ,  損失関数 ,  分類 ,  最適化手法 ,  *リモートセンシング ,  応用プログラム ,  *機械学習 ,  画像検索 ,  画像再構成
準シソーラス用語： コンテンツベース画像検索 ,  画像表現 ,  *リモートセンシング画像 ,  *マルチタスク学習 ,  シーン分類 ,  深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： リモートセンシング ,  画像検索 ,  可塑性 ,  安定性 ,  保存 ,  マルチタスク学習