文献

J-GLOBAL ID：201902278874714552   整理番号：19A2669276

深い汎関数マップを用いた対応-操縦体積記述子学習【JST・京大機械翻訳】

Correspondence-Steered Volumetric Descriptor Learning Using Deep Functional Maps

著者 (7件)： Sun Diya (Key Laboratory of Machine Perception (MOE), Department of Machine Intelligence, Peking University, Beijing, China) ,  Pei Yuru (Key Laboratory of Machine Perception (MOE), Department of Machine Intelligence, Peking University, Beijing, China) ,  Zhang Yungeng (Key Laboratory of Machine Perception (MOE), Department of Machine Intelligence, Peking University, Beijing, China) ,  Guo Yuke (Luoyang Institute of Science and Technology, Luoyang, China) ,  Ma Gengyu (uSens Inc., San Jose, USA) ,  Xu Tianmin (School of Stomatology, Peking University, Beijing, China) ,  Zha Hongbin (Key Laboratory of Machine Perception (MOE), Department of Machine Intelligence, Peking University, Beijing, China)
資料名： Lecture Notes in Computer Science  (Lecture Notes in Computer Science)
巻： 11861  ページ： 247-255  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： 本論文では,ボリューム画像の密な対応を考察し,機能マップ表現を用いて畳込みネットワークベースのディスクリプタ学習フレームワークを提案した。著者らの主な観察は,この方法による記述子学習が,手書き記述子と比較して,密な体積マッピングを改善することである。著者らは,体積プローブ関数と反転可能な結合マップの実行を整列させることによって,最適なネットワークパラメータを見つけるための教師なしの方法を提示した。提案フレームワークは,入力として1チャネル体積を取り,カスケード畳込み演算子を用いて多チャネル体積記述子を出力し,従来の記述子計算より高速である。著者らは,深い汎関数マップフレームワークに従い,線形代数を用いた汎関数移動と高密度対応のための低次元スペクトルマッピングによる高密度対応を表現した。著者らは,この方法を用いて,高密度対応と属性転送の両方の品質が,広範な実験において改善されることを実証した。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： 統制索引語 ,  品質 ,  プローブ ,  *学習 ,  線形代数 ,  *汎関数 ,  画像 ,  高速度 ,  畳込み ,  チャネル
準シソーラス用語： 低次元 ,  高密度 ,  マルチチャネル ,  ネットワークパラメータ ,  手書き , 【Automatic Indexing@JST】

分類 (1件)： 人工知能  (JE08000Z)

タイトルに関連する用語 (6件)： 汎関数 ,  マップ ,  操縦 ,  体積 ,  記述子 ,  学習