文献

J-GLOBAL ID：202002216916691631   整理番号：20A1575319

浅い理解から深い理解による半教師付きテクスチャフィルタリング【JST・京大機械翻訳】

Semi-Supervised Texture Filtering With Shallow to Deep Understanding

著者 (6件)： Gao Xing (School of Informatics, Xiamen University, Xiamen, China) ,  Wu Xu (School of Informatics, Xiamen University, Xiamen, China) ,  Xu Panpan (State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences, Beijing, China) ,  Guo Shihui (School of Informatics, Xiamen University, Xiamen, China) ,  Liao Minghong (School of Informatics, Xiamen University, Xiamen, China) ,  Wang Wencheng (State Key Laboratory of Computer Science, Institute of Software, Chinese Academy of Sciences, Beijing, China)
資料名： IEEE Transactions on Image Processing  (IEEE Transactions on Image Processing)
巻： 29  ページ： 7537-7548  発行年： 2020年 
JST資料番号： W0364A  ISSN： 1057-7149  CODEN： IIPRE4  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 本研究では,自動テクスチャフィルタリングのための半教師つき方法を提案した。提案手法では,限られた量のラベル付きデータおよび大量のラベル無しデータを利用して,Generative Adversarial Network(GAN)を訓練した。個別損失関数をラベル付きおよびラベルなしデータセットの両方に対して設計した。主な貢献は,ニューラルネットワークの浅い層と深い層から抽出した知識の導入である。浅い層内で定義された損失は,エッジを保存し,一方,深い層内で定義された損失は,意味内容を同定し,小規模のテクスチャ変動を逆に除去する。この貢献は,テクスチャフィルタリングのための主要な課題に直接対処し,ピクセルレベルでの非構造テクスチャから構造内容を識別する。抽出した情報は,特にラベルなしサンプルに対して,フィルタリングのプロセス前後の含有量と色の一貫性を改善した。提案方法は,2つの利点を提供する:まず,ラベル化データセットを再構成するのに費やされる努力の量の大幅な削減,特に画素レベルで必要な繊細な操作を与えた。第2に,大量のラベルなしデータを利用することにより,少量のラベル付きデータによる教師つき学習における過剰適合の削減。結果は,著者らの方法が非学習ベースの方式と比較的実行することができ,最適パラメータ値の決定のための需要を軽減することを確認した。Copyright 2020 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  損失関数 ,  ニューラルネットワーク ,  *フィルタリング ,  画素 ,  教師つき学習 ,  再構成
準シソーラス用語： 最適パラメータ ,  ラベルなしデータ , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 理解 ,  教師 ,  テクスチャ ,  フィルタリング