自己組織化マルチモーダル多目的ハトにヒントを得た最適化アルゴリズム

A self-organizing multimodal multi-objective pigeon-inspired optimization algorithm
Hu Yi, Wang Jie, Liang Jing, Yu Kunjie, Song Hui, Guo Qianqian, Yue Caitong, Wang Yanli Neural Computing and Applications 31.2, 915-929, 2019.

“多目的最適化アルゴリズムは,2つ以上の相反する目的に関連する問題を効果的かつ効率的に解決できるため,最近大きな注目を集めている.しかし,多くの既存の研究は,目的関数空間での解のパフォーマンスの改善に焦点を当てている.この論文では,決定変数空間における解の分布のためにいくつかのメカニズムが設計された,ハトにヒントを得た新しいマルチモーダル多目的最適化(MMOPIO)アルゴリズムを提案する.まず,MMOPIOは,標準のPIOの構造を簡素化するために,統合パラメーターに基づいて改良されたpigeon-inspired optimization(PIO)を採用する.次に,the self-organizing map(SOM)を改善されたPIOと組み合わせることで,決定変数空間をより適切に制御できるため,改善されたPIOの良好な近傍関係の構築に貢献する.最後に,エリート学習戦略と特別な混雑距離計算メカニズムを使用し,それぞれ早期の収束を防ぎ,均一な分布のソリューションを取得する.いくつかのテストインスタンスで5つの最先端の多目的最適化アルゴリズムと比較し,提案されたMMOPIOのパフォーマンスを評価し,マルチモーダル多目的最適化問題の解決におけるMMOPIOの優位性を示す.”

マルチモーダル多目的最適化のための新しいスケーラブルなテストスイート

A novel scalable test problem suite for multimodal multiobjective optimization
Yue, Caitong and Qu, Boyang and Yu, Kunjie and Liang, Jing and Li, Xiaodong
Swarm and Evolutionary Computation, 48, 62-71, 2019.

この論文では,新しいスケーラブルなマルチモーダル多目的テストスイートを提案する.提案されたテスト問題 は, local Pareto optimal set (PS) の存在,スケーラブルな PS 数,不均一に分散した PS,discrete Pareto front (PF),変数および目的のスケーラブルな数などさまざまな特性を有する.この論文で提案するテスト問題はすべ て,連続的な最適化問題である.したがって,それらを使用して,マルチモーダル多目的連続値最適化アルゴリズ ムのさまざまな能力を測定可能である.さらに,多目的問題のランドスケープ視覚化手法を提案し,マルチモー ダル多目的テスト問題の特性を示す.ランドスケープに基づいて,これらの問題の特性,特徴が示される.さら に,既存のマルチモーダル多目的最適化アルゴリズムといくつかの一般的な多目的アルゴリズムをテストし,新 しいテスト問題スイートと比較を行う.次に,マルチモーダル多目的最適化アルゴリズムの望ましい特性とマル チモーダル多目的最適化に関する今後の研究について述べる.

3 次元畳み込みと畳み込みLSTM を用いたマルチモーダルジェスチャー認識

Multimodal Gesture Recognition Using 3-D Convolution
and Convolutional LSTM
IEEE Access vol. 5, pp. 4517-4524, 2017
20170529_ttamaki

ジェスチャー認識は,人体の意味のある動きを認識することを目的としており,インテリジェントヒューマン-コンピュータ/ロボットのインタラクションにおいて最も重要である.本稿では,マルチモーダルな3D-ConvolutionとConcolutional-LSTM に基づくジェスチャ認識手法を提案する.提案手法は,3 次元畳み込みニューラルネット
ワークを用いて,まずジェスチャの短期時空間特徴を学習し,抽出した短期時空間特徴に基づいて畳み込みLSTM
ネットワークにより長期時空特徴を学習する.さらに,マルチモーダルデータ間の ne-tuning が評価され,学習済
みのモデルが存在しない場合の過適合を防止するためのオプションスキルとみなすことができる.提案された方法
は,ChaLearn LAP 大規模孤立ジェスチャデータセット(IsoGD)とシェフィールドKinect ジェスチャ(SKIG)
データセットで検証される.結果は,提案された方法が最先端の認識精度(IsoGD の検証セットで51.02,SKIG
で98.89)を得たことを示している.