文献

J-GLOBAL ID：201902211652955809   整理番号：19A1127237

多焦点画像融合のためのマルチスケール畳込みニューラルネットワーク【JST・京大機械翻訳】

Multi-scale convolutional neural network for multi-focus image fusion

著者 (3件)： Mustafa Hafiz Tayyab (Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, Shanghai 200240, China) ,  Yang Jie (Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, Shanghai 200240, China) ,  Zareapoor Masoumeh (Institute of Image Processing and Pattern Recognition, Shanghai Jiao Tong University, Shanghai 200240, China)
資料名： Image and Vision Computing  (Image and Vision Computing)
巻： 85  ページ： 26-35  発行年： 2019年 
JST資料番号： A0611C  ISSN： 0262-8856  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： 本研究では,マルチフォーカス画像を融合するための新しい深い学習(DL)法を提案した。DL法に基づく現在の多焦点画像融合(MFIF)アプローチは,主に分類タスクとしてMFIFを扱う。これらの方法は,集束またはデフォーカス画素としてピクセルを同定するための分類器として畳込みニューラルネットワーク(CNN)を使用する。しかし,ネットワークを訓練するためのラベル付きデータの利用可能性のために,MFIFに対する既存のDLベースの教師つきモデルは,訓練データを生成するために焦点画像にGaussぼけを付加する。DLに基づく教師なしモデルは,また,MFIF以外の融合タスクを実行するために,非常に単純で,適用できるだけである。上記の問題を解決するために,著者らは,完全な教師なしエンドツーエンド訓練可能な深いCNNを作り出すために,特徴抽出,融合および再構成要素を一緒に学習することを目的とする新しいMFIF法を提案した。CNNの特徴抽出能力を強化するために,著者らは有望な性能を達成するためにSiameseマルチスケール特徴抽出モジュールを導入した。提案したネットワークにおいて,多重焦点画像対からより有用な共通特徴を抽出するために,スキップ接続に沿ったマルチスケール畳込みを適用した。CNNを訓練するために基本損失関数を用いる代わりに,著者らのモデルは訓練損失関数として構造類似性(SSIM)測度を利用する。さらに,画像のより正確な復元を保証するために,融合画像をマルチスケールで再構成した。提案したモデルは,試験と検証中に可変サイズの画像を処理できる。種々のテスト画像に関する実験結果は,提案した方法が,最新の画像融合法により生成された融合画像より優れた,より良い品質融合画像をもたらすことを検証した。Copyright 2019 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： 画素 ,  *畳込み ,  学習 ,  *ネットワーク ,  品質 ,  エンドツーエンド方式 ,  集束 ,  再構成 ,  測度 ,  特徴抽出 ,  *画像
準シソーラス用語： *画像融合 ,  *畳込みニューラルネットワーク ,  *マルチスケール ,  *多焦点画像 , 【Automatic Indexing@JST】

著者キーワード (4件)： 多焦点画像融合 ,  畳み込みニューラルネットワーク ,  教師なし ,  構造類似性

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

タイトルに関連する用語 (4件)： 多焦点画像 ,  融合 ,  マルチスケール ,  畳込みニューラルネットワーク