@techreport{oai:ipsj.ixsq.nii.ac.jp:00210539,
 author = {山田, 赳也 and 塚田, 峰登 and 松谷, 宏紀 and Takeya, Yamada and Mineto, Tsukada and Hiroki, Matsutani},
 issue = {41},
 month = {Mar},
 note = {訓練データと実環境データの特徴量の性質が異なっていることがあり，あらゆる現場環境下を想定し，訓練データを全て用意することは現実的に難しい場合がある．訓練データと実環境データにおける正常パターンの特徴に差異がある場合，訓練済みモデルを，実環境のデータを用いて再度訓練するファインチューニング手法が利用される．しかし，学習モデルの再訓練や訓練データの収集は必ずしも容易ではない．そこで，本論文では，畳み込み Auto Encoder の Encode 部分とオンライン逐次学習アルゴリズム OS-ELM (Online  Sequential  Extreme  Learning  Machine) を連結することで，現場で軽量にファインチューニングする手法を提案する．実験では，手書き文字認識データセット MNIST を用いて，畳み込み Auto Encoder を事前学習しておき，現場のデータとしてそれらを左右にシフトさせたデータを用いた．評価では，ファインチューニングしない通常のニューラルネットワーク，畳み込み Auto Encoder，畳み込み Auto  Encoder と OS-ELM を組みわせたモデル，提案手法の精度を比較した．その結果，提案手法を用いて現場でファインチューニングした提案手法の精度は訓練データで学習した畳み込み Auto Encoder よりも 4.1% 高くなった．},
 title = {OS-ELMを用いたFPGA向け軽量ファインチューニング手法},
 year = {2021}
}