文献

J-GLOBAL ID：202002224988280879   整理番号：20A2766537

深層超解像ネットワークの訓練のためのプッシュと境界損失【JST・京大機械翻訳】

Pushing and Bounding Loss for Training Deep Super-Resolution Network

著者 (4件)： Li Shang (University of Chinese Academy of Sciences (UCAS),School of Artificial Intelligence) ,  Zhang Guixuan (Key Laboratory of Digital Rights Services (KLDRS)) ,  Liu Jie (Beijing Engineering Research Center of Digital Content Technology (BJDCRC)) ,  Zhang Shuwu (University of Chinese Academy of Sciences (UCAS),School of Artificial Intelligence)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： ICCST  ページ： 313-319  発行年： 2020年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 深層ニューラルネットワーク(DNN)は,勾配消失により訓練するのが難しいので,中間監視は,より早期の層がより良く最適化されるのを助けるために通常使用される。このような深い教師つき方法は,分類や姿勢推定のような様々なタスクに有益であることが証明されているが,画像超解像度(SR)にはめったに使用されていない。これは,中間監視が一組の中間ラベルを必要とするが,SRでは,これらのラベルは定義するのが難しいためである。実験は,分類のために使用する全体のネットワークを通しての同一性ラベルが,不調和を引き起こして,最終的性能を害するであろうことを示した。‘mediな正確なラベル,すなわち,比較的ソフトなラベルは,SRネットワークに関する中間監視に適していると主張する。しかし,SRネットワークにおけるラベルは,完全に高分解能または完全に低い分解能のいずれかである。この問題に取り組むために,著者らは,それがより深くなるように,より良い特徴を学習するためにネットワークを強制するプッシュと結合損失を呼び出すことを提唱する。この方法で,筆者らは,任意の‘medi的に正確なラベルを明示的に与えないが,全ての内部層も直接監督できる。大規模な実験は,この方式で訓練された深いSRネットワークが余分なモジュールを追加することなく安定した利得を受けることを示した。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： 最適化 ,  *ネットワーク ,  分解能 ,  利得 ,  *超解像 ,  深層 ,  高分解能
準シソーラス用語： 不調和 ,  姿勢推定 ,  ディープニューラルネットワーク , 【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 (6件)： 深層 ,  超解像 ,  訓練 ,  プッシュ ,  境界 ,  損失