文献

J-GLOBAL ID：201802228141407077   整理番号：18A1690025

畳込みニューラルネットワークによる3D表面の分解能の改善【JST・京大機械翻訳】

Improving Resolution of 3D Surface With Convolutional Neural Networks

著者 (7件)： Li Zhen (College of Electronics and Information Engineering, University of Sichuan, Chengdu, Sichuan 610064, China) ,  Yang Xiaomin (College of Electronics and Information Engineering, University of Sichuan, Chengdu, Sichuan 610064, China) ,  Yang Xiaomin (Fujian Provincial Key Laboratory of Information Processing and Intelligent Control, Minjiang University, Fuzhou 350121, China) ,  Song Jianwen (College of Electrical and Information Engineering, University of Sichuan, Chengdu, Sichuan 610064, China) ,  Liu Kai (College of Electrical and Information Engineering, University of Sichuan, Chengdu, Sichuan 610064, China) ,  Wang Zuping (Department of Mathematics, University of Maryland, 4176 Campus Dr, College Park, MD, 20742, USA) ,  Wu Wei (College of Electronics and Information Engineering, University of Sichuan, Chengdu, Sichuan 610064, China)
資料名： Sustainable Cities and Society  (Sustainable Cities and Society)
巻： 42  ページ： 127-138  発行年： 2018年 
JST資料番号： W2908A  ISSN： 2210-6707  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 高分解能(HR)3Dポイントクラウドは,スマート都市のために常に望まれる。位相測定プロフィロメトリ(PMP)は3D点雲を発生させるために広く使われてきた。しかしながら,ハードウェアの限界により,PMPは通常,HR 3Dポイントクラウドを得るのが難しい。これにより,低分解能(LR)パターン画像またはLR位相画像を利用して,HR 3D点雲を発生させることができる。特に,深い学習に基づく超解像(SR)法を用いてこの問題を解決することを試みた。三次元点雲に対する新しい深い学習ベースSR法を定式化した。提案したSRは再構成した3D点雲の分解能を確実に改善することを示した。実験において,提案SRを他の最新のSR法と比較し,提案SRが再構成3D点雲のより良い品質とより低い計算コストをもたらすことを証明した。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 品質 ,  ハードウェア ,  画像処理 ,  都市 ,  超解像 ,  定式化 ,  形状測定 ,  高分解能 ,  *三次元 ,  学習 ,  位相測定 ,  画像 ,  再構成
準シソーラス用語： 計算コスト ,  低分解能 , 【Automatic Indexing@JST】

著者キーワード (4件)： 3D表面イメージング ,  畳み込みニューラルネットワーク ,  位相測定プロフィロメトリー ,  超解像

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 畳込みニューラルネットワーク ,  3D ,  分解能