抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
画像復元への機械学習アプローチは大きな可能性を提供するが,現在の方法リスク訓練モデルは特定の難易度の画像腐敗に対してのみ良好に行うことに固定 あるレベル雑音やぼけのような。最初に,従来の「固定」モデルの弱点を調べ,任意レベル腐敗を扱うための訓練一般的なモデルが実際に重要なことを示した。,深い畳込みニューラルネットワークを用いた訓練画像復元モデルのためのオンデマンド学習アルゴリズムを提案した。主なアイデアは,それらが最も必要とし,それによって,難易度を横切って一般化できることを学習モデルである訓練事例を自己生成するフィードバック機構を利用することである。 画像修復,画素補間,画像ぼけ除去,および画像雑音除去 四回復タスクと三の多様なデータセットについて,著者らの方法は,現状訓練手順とカリキュラムの学習法の両方を一貫して上回る。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】