多クラス分類に向けた階層的分類モデル

• Item type: SIG Technical Reports(1)
• 公開日: 2023-09-18
• タイトル: 多クラス分類に向けた階層的分類モデル
• タイトル / 言語: en
• タイトル: Hierarchical classification models for multi-class classification
• 言語: jpn
• キーワード / 主題Scheme: Other
• キーワード / 主題: デジタル技術と分類手法
• 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: 情報処理学会／現在，慶應義塾大学環境情報学部
• 著者所属: 現在，慶應義塾大学大学院政策メディア研究科
• 著者所属: 情報処理学会／現在，慶應義塾大学環境情報学部
• 著者所属(英): en
• 著者所属(英): IPSJ / Presently with Keio University Environment and Information Studies
• 著者所属(英): en
• 著者所属(英): Presently with Keio University Media and Governance
• 著者所属(英): en
• 著者所属(英): IPSJ / Presently with Keio University Environment and Information Studies
• 著者名: 沙田, 佳穂; 久米, 大雅; 中澤, 仁
• 論文抄録 / 内容記述タイプ: Other
• 論文抄録 / 内容記述: 近年，数多くのディープラーニングモデルが提案され，それらを活用した多種多様なデータセットを基にした画像分類の研究が進められている．しかしながら，分類クラスの総数が増加するにつれて分類の精度は低下するという問題があり，特に画像分類タスクにおける課題として顕在化している．さらに，データセット内で類似度が高いクラスにおける分類の精度が低いことも課題として挙げられる．本研究では，複数個のモデル使用し，階層的にクラス分類を実現する新しい手法を提案する．提案手法では，対照学習を通じて得られた潜在表現を基に，入力データに対して最も適切な分類モデルを選択する．その後，選ばれた最適な分類モデルによって，入力データの分類を行う二段階の分類プロセスを採用する．これを通じて，多クラス分類の精度の向上を図るとともに，類似度が高いクラス間の分類の精度も向上させることを図る．
• 論文抄録(英) / 内容記述タイプ: Other
• 論文抄録(英) / 内容記述: In recent years, a multitude of deep learning models have been proposed, and research on classifying based on various datasets using these models is advancing. However, as the total number of classes increases, a decline in classification accuracy has been pointed out, particularly manifesting as a challenge in image classification tasks. Moreover, the accuracy of classifying high-similarity classes within datasets is also raised as a concern. In this study, I propose a novel method that employs multiple models and realizes hierarchical class classification. In the proposed method, based on the latent representation obtained through contrastive learning, the most appropriate model for the input data is selected. Subsequently, the classification of the input data is carried out by the chosen optimal model, adopting a two-stage classification process. Through this, I aim to improve the accuracy of multi-class classification and also enhance the classification accuracy between high-similarity classes.
• 書誌レコードID / 収録物識別子タイプ: NCID
• 書誌レコードID / 収録物識別子: AA11851388
• 書誌情報: 研究報告モバイルコンピューティングと新社会システム（MBL）; 巻 2023-MBL-108, 号 43, p. 1-8, 発行日 2023-09-18
• ISSN / 収録物識別子タイプ: ISSN
• ISSN / 収録物識別子: 2188-8817
• 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