文献

J-GLOBAL ID：201702258081761803   整理番号：17A0311697

実践は完璧をもたらす:画像分類のための適応アクティブ学習フレームワーク【Powered by NICT】

Practice makes perfect: An adaptive active learning framework for image classification

著者 (5件)： Ye Zhipeng (Harbin Institute of Technology, No. 92 West Dazhi Street, Harbin 150001, China) ,  Liu Peng (Harbin Institute of Technology, No. 92 West Dazhi Street, Harbin 150001, China) ,  Liu Jiafeng (Harbin Institute of Technology, No. 92 West Dazhi Street, Harbin 150001, China) ,  Tang Xianglong (Harbin Institute of Technology, No. 92 West Dazhi Street, Harbin 150001, China) ,  Zhao Wei (Harbin Institute of Technology, No. 92 West Dazhi Street, Harbin 150001, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 196  ページ： 95-106  発行年： 2016年07月05日 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： アクティブ学習は,ラベル付けされていないデータセットからの画像のサブセットを選択する反復的に有効な方法である。最も広く使用されている能動的学習戦略の一つは,不確実性サンプリングであった。しかし,伝統的なサンプリング戦略は試料のカテゴリーを考慮しないと,選択された画像は,所望の訓練分布を反映し,付加的な標識研究を実施する必要があるという結果を生じなかった。これらの問題に対処するために,視知覚の観点から,bag-of-visual-words(BoVW)によって推定された確実性測定を導入することにより従来のエントロピーに基づく不確実性サンプリング戦略を改善する。Rescorla-Wagner知覚モデルを利用して,停止基準を定量化することである。この方法はプロセスサンプリングと分類を別々に処理という以前のアプローチとは異なっている:我々は,統一された負の加速学習原理を用い,カテゴリー分布を考慮した新しい発展サンプル選択法を提案することにより均一なモデルとしての学習過程を扱った。分類器は,サンプリング性能を向上させ,ヒト注釈のための付加的なアノテーションコストを削減するためサンプリングプロセスのためのカテゴリー分布を提供するために訓練した。トレーニング過程の間,これらの両モジュールに対する重みを適応的に構造的類似性(SSIM)で測定した試料セットの内部類似性により初期化され,人間の学習過程に従って動的に調整した。一般的に伝統的なサンプリング法で利用されている規則的な試験に加えて,転移学習理論に基づいて,伝達試験を用いて,異なるサンプリング戦略の性能をさらに評価することである。実世界データセット上での実験結果は,筆者らのアクティブサンプリングフレームワークは,ベースラインと最新の両適応能動的学習戦略よりも優れていることを示した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 不確実性 ,  *画像 ,  視知覚 ,  類似性 ,  *学習 ,  部分集合 ,  ヒト ,  アノテーション ,  エントロピー
準シソーラス用語： 転移学習 ,  学習過程 ,  確実性 ,  能動的学習 ,  *能動学習 ,  *画像分類 , 【Automatic Indexing@JST】

著者キーワード (5件)： アクティブ学習 ,  エントロピーに基づくサンプリング ,  画像分類 ,  袋の視覚ワード ,  認知モデル

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： 画像分類 ,  適応 ,  アクティブ学習 ,  フレームワーク