MPRG : 機械知覚&ロボティクスグループ／中部大学
Deep Convolutional Neural Network(DCNN) は，画像認識やセマンティックセグメンテーション等の様々なタスクにおいて高い性能を達成しています．DCNNは，VGGNetやDeep Residual Net(ResNet) などの深い層のネットワークが高い性能を得られることから，一般的に用いられています．しかしながら，DCNNには畳み込み層や全結合層に内積計算が多用されるため，ネットワークが多層化されるにつれてパラメータ数が増加し，多くの計算リソースが必要となります．そのため，組み込み機器やモバイル端末等の限られたリソースでDCNNを扱う場合，DCNNの識別計算の高速化とパラメータ削減のためにモデルの圧縮が必要です．我々の研究では，既存のネットワークモデルに対して識別計算の高速化とモデルサイズの圧縮が可能なバイナリ型DCNNを用いることで識別精度の低下を抑制し
MPRG : 機械知覚&ロボティクスグループ／中部大学
09 Nov 2018 解説&サーベイ 物体認識のための畳み込みニューラルネットワークの研究動向 1章 はじめに 2章 ILSVRCで振り返るCNNの進化 3章 最新のCNN改良手法 4章 各モデルの精度および処理速度の検証 5章 まとめ Download: PDF (Japanese) 電子情報通信学会論文誌に採録されました． 2012年の画像認識コンペティションILSVRCにおけるAlexNetの登場以降， 画像認識においては畳み込みニューラルネットワーク(CNN)を用いることがデファクトスタンダードとなった. ILSVRCでは毎年のように新たなCNNのモデルが提案され， 一貫して認識精度の向上に寄与してきた. CNNは画像分類だけではなく， セグメンテーションや物体検出など様々なタスクを解くためのベースネットワークとしても広く利用されてきている. 本稿では，AlexNet以降の代表的
Random Forestを用いた事例型追加学習
12 Jun 2014 Machine Learning 口頭発表 Random Forestを用いた事例型追加学習 Author 三品陽平, 村田隆英, 山内悠嗣, 山下隆義, 藤吉弘亘 Publication 画像センシングシンポジウム, 2014 Download: PDF (Japanese) 統計的学習手法により構築した識別器は, 学習サンプルと実利用シーンサンプルが異なると識別性能が低 下するという問題がある. 実利用シーンに対する性能を向上させるには, 実利用シーンのサンプルを用いた 追加学習が有効である. 追加学習では, 誤識別サンプルを用いて識別器の一部を追加更新する. しかし, 追 加学習の際に, 学習サンプルに対する汎化性能が低下する恐れがある. 本研究では, 容易に実利用シーンへ の適応が可能な追加学習をRandom Forestの枠組みにおいて実現する. Rand
1
リリース、障害情報などのサービスのお知らせ
最新の人気エントリーの配信
処理を実行中です
j次のブックマーク
k前のブックマーク
lあとで読む
eコメント一覧を開く
oページを開く
