| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2011-12-16 16:00 適応的ガウス混合モデルを用いた画像アノテーション ○坪下幸寛・加藤典司（富士ゼロックス）・岡田真人（東大）  PRMU2011-144 |
|
| 抄録 | （和） | 本レポートでは, 混合ガウス分布モデル(GMM: Gaussian Mixture Model)を確率モデルとして用いた学習ベースの自動アノテーション技術に着目する. GMMを用いた手法の一つである教師あり多クラスラベリングでは, ラベルごとに, そのラベルの付与された学習サンプルを収集し, 学習を個別に行うので, 学習サンプル数がラベルごとに大きく異なる. そのため, 学習サンプルが少ないラベルでは, 過学習の問題が生じてしまい, 性能が低くなるという問題点があった. 我々は, ラベルを規定しない学習サンプル集合を用いたペナルティ項を付与して個々のラベル確率モデルの学習を行うことを提案する. 提案手法によれば, 独立に個々のラベルの確率モデルの学習を行いながらも, システム全体の最適化が可能となり, 低出現ラベルに対する過学習を抑制する. 標準的なテストコーパスを用いた評価の結果, 提案手法は性能指標, 特に再現率, N+を大きく向上させた. |
| （英） | In the present study, we focus on learning based automatic image annotation method using Gaussian mixture model (GMM) as a probabilistic model. In Supervised Multiclass Labeling (SML), which is a conventional image annotation method to use GMM, training samples assigned to each semantic label are collected separately, and each probabilistic model of semantic labels is trained independently. The number of training samples therefore varies a great deal according to the labels. Consequently, there is a problem of low performances of semantic labels that have a few training samples because of over fitting. In the present study, we propose to introduce a penalty term using training samples that is not confined by a particular semantic label when training each semantic label model. According to the proposed method, while each probabilistic model to semantic labels is trained independently, optimization of whole annotation system is achieved, and the over fitting of models of labels that have a few samples is suppressed. As the result of evaluation tests using a standard test collection for image annotation, we found the proposed method exhibited higher performance than the conventional SML, especially recall and N+. | |
| キーワード | （和） | 自動画像アノテーション / 機械学習 / 混合ガウスモデル / ペナルティ項 / / / / |
| （英） | Automatic Image Annotation / Machine Learning / Gaussian Mixture Model / Penalty Term / / / / | |
| 文献情報 | 信学技報, vol. 111, no. 353, PRMU2011-144, pp. 113-118, 2011年12月. | |
| 資料番号 | PRMU2011-144 | |
| 発行日 | 2011-12-08 (PRMU) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | PRMU2011-144 |
|
| 研究会情報 | |
| 研究会 | PRMU FM |
| 開催期間 | 2011-12-15 - 2011-12-16 |
| 開催地（和） | 静岡大学浜松キャンパス |
| 開催地（英） | Hamamatsu Campus, Shizuoka Univ. |
| テーマ（和） | 一般物体認識と画像特徴量 |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | PRMU |
| 会議コード | 2011-12-PRMU-FM |
| 本文の言語 | 日本語 |
| タイトル（和） | 適応的ガウス混合モデルを用いた画像アノテーション |
| サブタイトル（和） | |
| タイトル（英） | Image Annotation Using Adapted Gaussian Mixture Model |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 自動画像アノテーション / Automatic Image Annotation |
| キーワード(2)（和/英） | 機械学習 / Machine Learning |
| キーワード(3)（和/英） | 混合ガウスモデル / Gaussian Mixture Model |
| キーワード(4)（和/英） | ペナルティ項 / Penalty Term |
| キーワード(5)（和/英） | / |
| キーワード(6)（和/英） | / |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 坪下 幸寛 / Yukihiro Tsuboshita / ツボシタ ユキヒロ |
| 第1著者 所属（和/英） | 富士ゼロックス株式会社 (略称： 富士ゼロックス) Fuji Xerox Co., Ltd. (略称： Fuji Xerox) |
| 第2著者 氏名（和/英/ヨミ） | 加藤 典司 / Noriji Kato / カトウ ノリジ |
| 第2著者 所属（和/英） | 富士ゼロックス株式会社 (略称： 富士ゼロックス) Fuji Xerox Co., Ltd. (略称： Fuji Xerox) |
| 第3著者 氏名（和/英/ヨミ） | 岡田 真人 / Masato Okada / オカダ マサト |
| 第3著者 所属（和/英） | 東京大学 (略称： 東大) The University of Tokyo (略称： The Univ. of Tokyo) |
| 講演者 | 第1著者 |
| 発表日時 | 2011-12-16 16:00:00 |
| 発表時間 | 30分 |
| 申込先研究会 | PRMU |
| 資料番号 | PRMU2011-144 |
| 巻番号（vol） | vol.111 |
| 号番号（no） | no.353 |
| ページ範囲 | pp.113-118 |
| ページ数 | 6 |
| 発行日 | 2011-12-08 (PRMU) |
[研究会発表申込システムのトップページに戻る]