文献

J-GLOBAL ID：202002257182380500   整理番号：20A0672876

時間的心理-視覚変調における非負行列因子分解のための生成的敵対ネットワーク【JST・京大機械翻訳】

Generative adversarial networks for non-negative matrix factorization in temporal psycho-visual modulation

著者 (5件)： Li Duo (Institute of Image Communication and Information Processing, Shanghai Jiao Tong University, Shanghai, China) ,  Gao Zhongpai (Artificial Intelligence Institute, Shanghai Jiao Tong University, Shanghai, China) ,  Zhang Xiao-Ping (Department of Electrical and Computer Engineering, Ryerson University, Toronto, Canada) ,  Zhai Guangtao (Institute of Image Communication and Information Processing, Shanghai Jiao Tong University, Shanghai, China) ,  Yang Xiaokang (Artificial Intelligence Institute, Shanghai Jiao Tong University, Shanghai, China)
資料名： Digital Signal Processing  (Digital Signal Processing)
巻： 100  ページ： Null  発行年： 2020年 
JST資料番号： W1600A  ISSN： 1051-2004  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： 画像因数分解問題は,時間空間視覚変調(TPVM)における重要課題である。本論文では,画像ベースの非負行列因数分解のためのエンドツーエンド学習モデルを提案した。著者らは,基底を線形に結合することによってすべての画像を再構成するために用いることができる少数の画像ベースに画像のセットを分解した。このプロセスの間,画像ベースと線形結合に対するそれらの重みは未知である。この方法は条件付きGANと変分サンプル擾乱器に基づいている。従来のNMF法は遅い計算速度と貧弱な一般化能力を被っている。深いニューラルネットワークは,これらの2つの側面において可能性を示した。画像復元のためのより良い基礎を生成するために,著者らのモデルにおける敵の訓練を行った。著者らの方法はいくつかの公開データセットに関する他のCNNベースの方法より優れている。従来のNMFアルゴリズムと比較して,著者らのモデルは詳細を保存する画像ベースを生成した。このモデルは,速度と一般化能力に利点がある。Copyright 2020 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： 因数分解 ,  *ネットワーク ,  窒化ガリウム ,  ニューラルネットワーク ,  線形性 ,  変分法 ,  *視覚 ,  計算機処理速度 ,  アルゴリズム ,  基底 ,  再構成 ,  学習モデル ,  画像復元 ,  エンドツーエンド方式
準シソーラス用語： *非負行列因子分解 , 【Automatic Indexing@JST】

著者キーワード (4件)： 敵対 ,  GaN ,  TPVM ,  情報隠蔽

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 (5件)： 心理 ,  視覚 ,  変調 ,  非負行列因子分解 ,  敵対