@techreport{oai:ipsj.ixsq.nii.ac.jp:00217100,
 author = {黒田, 大貴 and 津邑, 公暁},
 issue = {12},
 month = {Mar},
 note = {画像認識等において，CNN（Convolutional Neural Network）と呼ばれるニューラルネットワークが高い認識精度を示し，広く利用されているが，計算量が大きく，この計算量を削減することが，CNN の大きな課題となっている．計算量削減手法として，ランダムな値によるパラメータ固定化を行った先行研究として LBCNN がある．また，これに対し我々は，CNN が 1 層目の畳み込み層で単純な特徴パターンの抽出を行うという特性に基づきパラメータ固定化を行う，Functionally-Predefined Kernel を提案している．しかし，複雑な特徴パターンの抽出を行う 2 層目以降の畳み込み層に含まれるカーネルは固定できておらず，計算量の削減が十分ではない．そこで本稿では，学習が十分に行われた CNN の，2 層目以降の畳み込み層に含まれるカーネルに，共通して存在する特徴を機械的に分析し，抽出する方法を検討する．CNN の 2 層目の畳み込み層に含まれるカーネルを事前定義することで，先行研究で達成される認識精度を維持したまま，更に計算量を削減する方法について考察・検討する．},
 title = {深層の学習済み重みを利用したCNNの計算量削減に関する初期検討},
 year = {2022}
}