文献

J-GLOBAL ID：201802280154628686   整理番号：18A0691795

解析的テクスチャ合成技術とその深さ学習への応用【JST・京大機械翻訳】

Analyzed Texture-synthesis Techniques and Their Applications in Deep Learning

著者 (1件)： Li Honglin (日本山梨大学 大学院 生命情報系統系,山梨 甲府 400-8510)
資料名： Jisuanji Jishu yu Fazhan  (Jisuanji Jishu yu Fazhan)
巻： 27  号： 11  ページ： 7-13  発行年： 2017年 
JST資料番号： C3602A  ISSN： 1673-629X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： 中国 (CHN)  言語： 中国語 (ZH)

抄録/ポイント： 現在、国際主流の非パラメーターとパラメーター法の分析式テクスチャ生成技術は、コンピュータビジョン領域の画像テクスチャ合成に対して一定の参考意義がある。本論文は,解析的テクスチャ生成技術の原理,フレームワーク構造,応用の開発傾向,およびそれらの利点と欠点を要約し,比較した。本論文は,graph cutモデルに基づく非パラメータ法,P&Sモデルに基づく2つの典型的テクスチャ生成技術,および画像処理分野における深さ学習のための新しい技術である畳込みニューラルネットワーク(CNN)の構造と原理を分析した。本論文は,CNNに基づくCaffeネットワークフレームワークと2014年におけるImagNet画像分類と目標認識において優れた成績を得るVGGモデルに基づく分析的テクスチャ生成モデルVGG-19の動作原理と人間の視覚分析研究における応用について議論した。分析結果は以下を示す。一般的なパラメータ法とCNNネットワークモデルに基づくパラメータ法と比較して,非パラメータ法はより速い処理速度を持ち,より高い視覚品質とより多くの種類のテクスチャテクスチャを生成することができる。パラメータ法はテクスチャ合成の分野における解析ツールとして適している。畳込み神経回路網をパラメータ法に適用することによって,特徴量設計とパラメータ調整周期を大幅に短縮し,合成効果を向上させることができ,パラメータ法を理論的解析と応用のためのツールとして用いることができる。Data from Wanfang. Translated by JST【JST・京大機械翻訳】

シソーラス用語： 物体認識 ,  *畳込み ,  コンピュータビジョン ,  画像処理 ,  モデル ,  神経回路網
準シソーラス用語： 特徴量 ,  処理速度 ,  ネットワークモデル ,  生成モデル ,  画像分類 ,  畳込みニューラルネットワーク ,  画像テクスチャ ,  *質感 ,  *テクスチャ合成 , 【Automatic Indexing@JST】

著者キーワード (6件)： analyzed texture synthesis method ,  non-parametric texture generation ,  parametric texture generation ,  deep learning ,  convolu-tional neural network ,  VGG-19

分類 (2件)： パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q)

タイトルに関連する用語 (4件)： 解析 ,  テクスチャ合成 ,  学習 ,  応用