文献

J-GLOBAL ID：201802284088032530   整理番号：18A1686309

マルチスケール特徴符号化のための畳込みニューラルネットワークを用いた前景セグメンテーション【JST・京大機械翻訳】

Foreground segmentation using convolutional neural networks for multiscale feature encoding

著者 (2件)： Lim Long Ang (Ankara University, Ankara 06830, Turkey) ,  Yalim Keles Hacer (Ankara University, Ankara 06830, Turkey)
資料名： Pattern Recognition Letters  (Pattern Recognition Letters)
巻： 112  ページ： 256-262  発行年： 2018年 
JST資料番号： H0913A  ISSN： 0167-8655  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： いくつかの方法が,異なるシーンにおいて正確に移動物体セグメンテーション問題を解決するために提案されている。しかしながら,それらの多くは照明変化,背景またはカメラ運動,カモフラージュ効果,影などの様々な困難なシナリオを扱う能力を欠いている。これらの問題を扱うために,異なる方法でマルチスケール特徴符号化を生成する2つのロバスト符号器-復号器型ニューラルネットワークを提案し,数個の訓練サンプルのみを用いてエンドツーエンドで訓練することができる。同じ符号器-復号器構成を用いて,最初のモデルにおいて,符号器の三重項は三つのスケールで入力を取り,多重スケール特徴空間で画像を埋め込んだ。第2のモデルにおいて,特徴プールモジュール(FPM)を,中間層におけるマルチスケール特徴を抽出するために,単一入力エンコーダの上にプラグした。両方のモデルは,特徴空間から画像空間へのマッピングを学習するために,復号器部分において変換された畳込みネットワークを使用する。著者らのモデルを評価するために,著者らは,変化検出2014年(変化検出)と著者らのモデル,すなわち,FgSegNet_MとFgSegNet_Sに入って,それぞれ,0.9770と0.9804の平均F-測定によって,既存の最先端の方法を上回った。また,SBI2015とUCSD背景減算データセットに関する著者らのモデルを評価した。著者らのソースコードは,https:/github.com/lim-anggun/FgSegNetで公開されている。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： *セグメンテーション ,  復号器 ,  *畳込み ,  ロバスト性 ,  エンドツーエンド方式 ,  カメラ ,  *ニューラルネットワーク ,  符号器 ,  *ネットワーク ,  画像
準シソーラス用語： 中間層 ,  特徴空間 ,  擬装 ,  *前景 ,  *マルチスケール , 【Automatic Indexing@JST】

著者キーワード (6件)： 前景セグメンテーション ,  背景減算 ,  深層学習 ,  畳み込みニューラルネットワーク ,  ビデオ監視 ,  画素分類

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： マルチスケール ,  符号化 ,  畳込みニューラルネットワーク ,  前景 ,  セグメンテーション