文献

J-GLOBAL ID：202002266085289052   整理番号：20A0902482

距離で明確に見える:低解像度物体認識のための表現学習GaN【JST・京大機械翻訳】

See Clearly in the Distance: Representation Learning GAN for Low Resolution Object Recognition

著者 (7件)： Xi Yue (School of Computer Science, Northwestern Polytechnical University, Xi’an, China) ,  Zheng Jiangbin (School of Computer Science, Northwestern Polytechnical University, Xi’an, China) ,  Jia Wenjing (School of Electrical and Data Engineering, University of Technology Sydney, Ultimo, NSW, Australia) ,  He Xiangjian (School of Electrical and Data Engineering, University of Technology Sydney, Ultimo, NSW, Australia) ,  Li Hanhui (Institute for Media Innovation, Nanyang Technological University, Singapore) ,  Ren Zhuqiang (School of Electrical and Data Engineering, University of Technology Sydney, Ultimo, NSW, Australia) ,  Lam Kin-Man (Department of Electronic and Information Engineering, The Hong Kong Polytechnic University, Hong Kong)
資料名： IEEE Access  (IEEE Access)
巻： 8  ページ： 53203-53214  発行年： 2020年 
JST資料番号： W2422A  ISSN： 2169-3536  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： 極端に低い分解能を有する小さな物体を同定することは,対象領域内に提示された限られた情報により,人間の視覚に対してさえも,一般的に非常に困難なタスクと考えられている。低分解能認識を扱うために,近年,非常に限られた試みがあった。既存の解は,超解像画像の生成またはマルチスケール特徴の学習のいずれかに依存する。しかしながら,それらの性能改善は,特に分解能が非常に低くなると,非常に制限される。本論文では,認識のために最適化された超画像表現を生成するために,表現学習一般化適応ネットワーク(RL-GAN)を提案した。この解は距離における物体認識の古典的視覚タスクを扱う。低分解能物体認識の挑戦課題に関する著者らのアイデアを評価した。公開および新たに作成したWIDER-SHIPデータセットについて行った実験結果の比較により,このRL-GANの有効性を実証し,ベンチマーク解と比較して,平均で10~15%の利得で分類結果を大幅に改善した。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 ,  視覚 ,  分解能 ,  *物体認識 ,  利得 ,  超解像 ,  *窒化ガリウム ,  有効性 ,  ベンチマーク
準シソーラス用語： 画像表現 ,  マルチスケール ,  低分解能 ,  適応ネットワーク ,  表現学習 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 低解像度 ,  物体認識 ,  表現学習 ,  GaN