| Item type |
SIG Technical Reports(1) |
| 公開日 |
2021-05-13 |
| タイトル |
|
|
タイトル |
動作認識のための合成データ活用に向けたドメイン適応手法の検討 |
| タイトル |
|
|
言語 |
en |
|
タイトル |
A Study on Domain Adaptation for Video Action Classification Utilizing Synthetic Data |
| 言語 |
|
|
言語 |
jpn |
| キーワード |
|
|
主題Scheme |
Other |
|
主題 |
画像 |
| 資源タイプ |
|
|
資源タイプ識別子 |
http://purl.org/coar/resource_type/c_18gh |
|
資源タイプ |
technical report |
| 著者所属 |
|
|
|
お茶の水女子大学 |
| 著者所属 |
|
|
|
国立情報学研究所 |
| 著者所属 |
|
|
|
産業技術総合研究所 |
| 著者所属 |
|
|
|
お茶の水女子大学 |
| 著者所属(英) |
|
|
|
en |
|
|
Ochanomizu University |
| 著者所属(英) |
|
|
|
en |
|
|
National Instituteof Informatics |
| 著者所属(英) |
|
|
|
en |
|
|
National Institute of Advanced Industrial Science and Technology (AIST) |
| 著者所属(英) |
|
|
|
en |
|
|
Ochanomizu University |
| 著者所属(英) |
|
|
|
en |
|
|
National Instituteof Informatics |
| 著者名 |
礒井, 葉那
竹房, あつ子
中田, 秀基
小口, 正人
|
| 著者名(英) |
Hana, Isoi
Atsuko, Takefusa
Hidemoto, Nakada
Masato, Oguchi
|
| 論文抄録 |
|
|
内容記述タイプ |
Other |
|
内容記述 |
ディープニューラルネットワークの進歩に伴う学習データ不足の問題について様々な議論が行われており，その解決策の 1 つに合成データを利用した学習がある．合成データには生成が比較的容易であるという利点があるが，合成データを用いて学習したモデルには，実データ解析時にドメインシフトによって解析精度が低下するという課題がある．本研究では，合成動画像データを活用した高精度な実動画像データ識別の実現を目的とし，写実的な合成動画像データを作成して学習し，その動作識別精度を調査した．実験の結果，合成動画像データにデータ拡張を行い，ラベルなし実動画像データと併せてドメイン適応を用いた学習を行うことで，実データ動作識別精度の向上が可能であることがわかった． |
| 論文抄録(英) |
|
|
内容記述タイプ |
Other |
|
内容記述 |
The lack of learning data is considered as one of the reasons why the classification accuracies of deep neural networks do not improve. Synthetic data are used for learning to resolve the above issue because they can be generated relatively easier than real data. However, the models trained using synthetic data generally show low classification accuracies for actual data analysis due to domain shift that is differences in data characteristics. To achieve highly accurate video action classification using synthetic video data, we create a realistic synthetic video data set and investigate the video classification accuracies using the data set. The experimental results show that the accuracies can be improved by using data augmentation methods and DNN-based domain adaptation. |
| 書誌レコードID |
|
|
収録物識別子タイプ |
NCID |
|
収録物識別子 |
AA11131797 |
| 書誌情報 |
研究報告コンピュータビジョンとイメージメディア（CVIM）
巻 2021-CVIM-226,
号 13,
p. 1-6,
発行日 2021-05-13
|
| ISSN |
|
|
収録物識別子タイプ |
ISSN |
|
収録物識別子 |
2188-8701 |
| Notice |
|
|
|
SIG Technical Reports are nonrefereed and hence may later appear in any journals, conferences, symposia, etc. |
| 出版者 |
|
|
言語 |
ja |
|
出版者 |
情報処理学会 |
IPSJ-CVIM21226013.pdf (3.7 MB)
