文献

J-GLOBAL ID：202002258315744444   整理番号：20A0899860

リファイナネット:高密度予測のためのマルチパス精密化ネットワーク【JST・京大機械翻訳】

RefineNet: Multi-Path Refinement Networks for Dense Prediction

著者 (5件)： Lin Guosheng (School of Computer Science and Engineering, Nanyang Technological University, Singapore) ,  Liu Fayao (School of Computer Science, University of Adelaide, Adelaide, SA, Australia) ,  Milan Anton (Amazon Core ML, Berlin, Germany) ,  Shen Chunhua (ARC Centre of Excellence for Robotic Vision, School of Computer Science, The University of Adelaide, SA, Australia) ,  Reid Ian (ARC Centre of Excellence for Robotic Vision, School of Computer Science, The University of Adelaide, SA, Australia)
資料名： IEEE Transactions on Pattern Analysis and Machine Intelligence  (IEEE Transactions on Pattern Analysis and Machine Intelligence)
巻： 42  号： 5  ページ： 1228-1242  発行年： 2020年 
JST資料番号： B0519B  ISSN： 0162-8828  CODEN： ITPIDJ  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： 最近,非常に深い畳込みニューラルネットワーク(CNN)は,オブジェクト認識において優れた性能を示し,また,意味セグメンテーションや深さ推定などの高密度予測問題に対する第一選択である。しかし,深いCNNにおけるプールまたはコンボリューションのような反復サブサンプリング操作は,初期画像分解能の著しい減少をもたらす。ここでは,長距離残差接続を用いた高分解能予測を可能にするために,ダウンサンプリングプロセスに沿って利用可能なすべての情報を明示的に利用する一般的なマルチパス精密化ネットワーク,RefineNetを提示した。このようにして,高レベル意味特徴を捉えるより深い層は,初期畳込みからの細粒特徴を用いて直接的に精密化することができる。RefineNetの個々の構成要素は,アイデンティティマッピングに従う残留接続を採用し,効果的なエンドツーエンド訓練を可能にする。さらに,効率的な方法で豊富な背景コンテキストを捕捉するチェーン化された残留プールを導入した。著者らは,高密度分類問題である意味論的セグメンテーションに関する包括的実験を実施して,7つの公開データセットに関して良い性能を達成した。さらに,著者らの方法を深さ推定に適用し,高密度回帰問題に対する著者らの方法の有効性を実証した。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： 畳込み ,  意味論 ,  セグメンテーション ,  *ネットワーク ,  チェーン ,  残差 ,  物体認識 ,  エンドツーエンド方式 ,  精密化 ,  有効性 ,  高分解能
準シソーラス用語： サブサンプリング ,  ダウンサンプリング ,  画像解像度 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 予測 ,  マルチパス ,  精密化