文献

J-GLOBAL ID：201902217365731375   整理番号：19A2416722

ロバストな高速R-CNN オクルージョンとマルチスケールオブジェクトに対するロバスト性の増加【JST・京大機械翻訳】

Robust Faster R-CNN: Increasing Robustness to Occlusions and Multi-scale Objects

著者 (3件)： Zhou Tao (Guangxi Key Lab of Multi-source Information Mining and Security, Guangxi Normal University, Guilin, China) ,  Li Zhixin (Guangxi Key Lab of Multi-source Information Mining and Security, Guangxi Normal University, Guilin, China) ,  Zhang Canlong (Guangxi Key Lab of Multi-source Information Mining and Security, Guangxi Normal University, Guilin, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11607  ページ： 298-310  発行年： 2019年 
JST資料番号： H0078D  ISSN： 0302-9743  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 非常に異なるスケールでオブジェクトを認識し,オクルージョンを持つオブジェクトはコンピュータビジョンにおける基本的課題である。本論文では,マルチラベル画像における物体を検出するために,Robust Faster R-CNNと呼ばれる新しい方法を提案した。フレームワークは,FastR-CNNアーキテクチャに基づいている。RoIPoolの厳しい量子化を除去するためにROIPoolをROIプールに置き換えることにより,FasterR-CNNを改善し,異なるサイズのオブジェクトに適応するために異なるサイズのプール(アラインメント操作)を追加することによりマルチROIAlignsを設計した。さらに,小オブジェクトを認識する能力を強化するために,マルチ特徴融合を採用した。モデル訓練において,オクルージョンを持つ事例を生成するために,著者らのモデルと組み合わせて,著者らのモデルをオクルージョンに対して不変にするために,著者らは,著者らのモデルによって,著者らのモデルを作り出した。Pascal VOC 2012と2007のデータセットに関する実験結果は,多くの手法に対する提案手法の優位性を実証した。Copyright 2019 Springer Nature Switzerland AG Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 計算機アーキテクチャ ,  アラインメント ,  *ロバスト性 ,  画像 ,  コンピュータビジョン ,  モデル ,  *オクルージョン ,  *高速度 ,  量子化 ,  不変性
準シソーラス用語： 特徴融合 ,  *マルチスケール , 【Automatic Indexing@JST】

分類 (1件)： 計算機システム開発  (JD02010R)

タイトルに関連する用語 (4件)： ロバスト ,  CNN ,  オクルージョン ,  ロバスト性