文献

J-GLOBAL ID：202002263162113221   整理番号：20A1105143

深条件ランダム場ネットワークを用いた顕著性検出【JST・京大機械翻訳】

Saliency detection using a deep conditional random field network

著者 (3件)： Qiu Wenliang (Visual Information Processing Laboratory, School of Electronic Engineering, Xidian University, Xi’an, China) ,  Gao Xinbo (Visual Information Processing Laboratory, School of Electronic Engineering, Xidian University, Xi’an, China) ,  Han Bing (Visual Information Processing Laboratory, School of Electronic Engineering, Xidian University, Xi’an, China)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 103  ページ： Null  発行年： 2020年 
JST資料番号： D0611A  ISSN： 0031-3203  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： 顕著な検出は,深い学習の開発とともに著しい進歩を遂げた。一方,オブジェクト境界をシャープに保ち,背景雑音を抑制するために,高レベル意味情報と低レベル固有コンテキストを統合する方法は,依然として挑戦的な問題である。ネットワーク構造と精密化戦略に関する多くの試みが,顕著性マップの精度を向上させるために従来のランダムフィールド(CRF)を使用するように調査されてきたが,それは深いネットワークから独立しており,エンドツーエンドでは訓練できない。この問題に取り組むために,著者らは,深い特徴と隣接情報を考慮に入れるために,新しい深条件ランダムフィールドネットワーク(DCRF)を提案した。最初に,多重スケール特徴抽出モジュール(MFEM)を採用して,低レベルのテクスチャと高レベルの意味的特徴を獲得し,デコンボリューション層の多重スタックを用いて,深い層の空間分解能を改善した。次に,著者らは,より深い層から引き出された高レベルの位置と形状情報によって,より浅い層を導くために後方最適化モジュール(BOM)を採用して,それは本質的に低レベルの特徴の表現能力を強化した。最後に,コンパクトで統一された顕著性マップを得るために,空間的隣接関係に集中するために,単一と対のポテンシャルを有する深条件ランダム場モジュール(DCRFM)を設計した。6つの評価基準に関する5つのデータセットに関する広範囲の実験結果は,提案した方法が最先端の性能を達成することを実証した。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： 最適化 ,  *ネットワーク ,  特徴抽出 ,  デコンボリューション ,  ネットワーク構造 ,  多重化 ,  エンドツーエンド方式 ,  精密化 ,  評価基準 ,  空間分解能
準シソーラス用語： *確率場 ,  背景雑音 ,  マルチスケール ,  意味情報 ,  顕著性マップ , 【Automatic Indexing@JST】

著者キーワード (3件)： 顕著性検出 ,  条件付き確率場 ,  畳み込みニューラルネットワーク

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (1件)： ランダム場