抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
単段ターゲット検出は,画像中のほぼすべてのオブジェクトを見つけることができ,オブジェクトの位置と位置を決定し,オブジェクト位置決めとオブジェクト分類を含む2つのキーポイントを含んでいる。深層学習法は,検出に広く用いられている。しかしながら,パラメータは,必要な訓練時間,検出時間,および検出精度を含むCNNのパラメータと性能の間の関係を見つけるために調整される。本論文は,単一段階目標認識の精度に及ぼすCNNにおけるパラメータの影響を研究して,単一段階目標検出の性能を改良した。最初に,データはPASCAL VOC2012から来る。次に,一連の関連パラメータを,画像サイズとバッチサイズ,Strides,Ancholサイズと数などを含むCNNモデルで解析して,単一パラメータを変えて,他のパラメータを保つことによって,これらのパラメータが著者らのモデルの性能にどのように影響するかを研究した。結果は,画像サイズが訓練プロセスの時間と精度に影響し,それらの間に拮抗関係があることを示した。さらに,訓練過程において,訓練時間の増加とともに訓練損失が減少することを見出した。そして,Stridesを合理的に増加させると,入力形状と非最大抑制(NMS)閾値は認識率を改善できる。しかし,アンカーサイズと数を減らすと,ストライドは走行時間を大きく増加させることができる。アンカーサイズと数値は平均精度(mAP)に関連するある接続を持ち,NMSはMAPに一定の正の影響を与える。著者らの解析は,合理的NMS,ストライド,画像サイズ,および畳込みニューラルネットワーク(CNN)に属するアンカーの数が,精度率を上げることができることを証明した。同時に,それは訓練プロセスを加速することができる。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】