18図■より、テストの結果、クラスごとの正解率には大きくばらつきがあることが分かった。特に、airplane、automobile、shipといった乗り物の正解率が高いのに対し、cat、dogといった動物に関する画像の正解率が低いことが見て取れる。これは、図■の特徴量分布のグラフからもわかるように、トリム学習モデル（差分エントロピー）が動物間、特に大きさの同じくらいの動物間の区別までは付け切れていないことが分かった。このことから極端にエントロピーの値の高いものを除いた学習モデルは、特に乗り物の様な機械や建物といった人工物において効果を発揮すると考えられる。■．■．考察図■■．トリム学習モデル（カラー画像エントロピー）にて除いた画像の一例エントロピーの高い画像は、一見情報量が多く学習画像に向いているように見受けられるが、上記の結果より、高エントロピー画像を除いたモデル、中でも差分エントロピーを使用したケースの精度が高いことが分かった。これは図■■および図■■を見ると顕著だが、トリム学習モデル（カラー画像エントロピー）と比べ、トリム学習モデル（差分エントロピー）の学習画像から除いた画像は、対象物以外にも背景等に余分な情報が多く含まれており、これらの特徴量抽出の弊害になる様なノイズを含む画像が予測精度に影響をもたらすことが考えられる。よって乱雑で余分な情報を含む画像を除くことで、学習モデルの精度が高くなると推測できる。学生懸賞論文集第■■号
元のページ ../index.html#25