文献

J-GLOBAL ID：202102227884619713   整理番号：21A2955260

並列サブネットワークによるロバストな突出物体検出のための再帰的マルチモデル相補深層融合【JST・京大機械翻訳】

Recursive multi-model complementary deep fusion for robust salient object detection via parallel sub-networks

著者 (8件)： Wu Zhenyu (State Key Laboratory of Virtual Reality Technology & Systems, Beihang University, China) ,  Li Shuai (State Key Laboratory of Virtual Reality Technology & Systems, Beihang University, China) ,  Chen Chenglizhao (State Key Laboratory of Virtual Reality Technology & Systems, Beihang University, China) ,  Chen Chenglizhao (College of Computer Science & Technology, Qingdao University, China) ,  Hao Aimin (State Key Laboratory of Virtual Reality Technology & Systems, Beihang University, China) ,  Hao Aimin (Peng Cheng Laboratory, China) ,  Hao Aimin (Research Unit of Virtual Human & Virtual Surgery, Chinese Academy of Medical Sciences, China) ,  Qin Hong (Department of Computer Science, Stonybrook University, USA)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 121  ページ： Null  発行年： 2022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： 完全畳込みネットワークは,顕著な物体検出(SOD)分野で優れた性能を示した。最先端技術(SOTA)法は,より深く,より複雑になる傾向があり,それらの学習された深い特徴を容易に均質化し,明確な性能ボトルネックをもたらす。従来の「深い」方式との鋭いコントラストにおいて,本論文は,完全に異なるネットワークアーキテクチャを有する並列サブネットワークから成る「全体」ネットワークアーキテクチャを提案した。この方法で,これら2つのサブネットワークを介して得られたこれらの深い特徴は,大きな多様性を示し,互いに補完できる大きな可能性がある。しかしながら,大きな多様性は,特徴コンフリクトを容易に導く可能性があり,従って,並列サブネットワーク間の再帰的相互作用を可能にし,マルチモデル深層特徴間の最適相補的状態を追求するために,高密度ショートコネクションを用いた。最後に,これらすべての相補的マルチモデル深層特徴を,高性能の顕著な物体検出を行うために選択的に融合した。いくつかの有名なベンチマークに関する広範な実験は,提案したより広いフレームワークの優れた性能,良好な一般化,および強力な学習能力を明確に実証した。Copyright 2021 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： コントラスト ,  相互作用 ,  畳込み ,  *ネットワーク ,  均質化 ,  深層 ,  ベンチマーク ,  *ロバスト性 ,  ネットワークアーキテクチャ
準シソーラス用語： *物体検出 ,  学習能力 ,  高密度 ,  *サブネットワーク ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (3件)： 突出物検出 ,  深層学習 ,  マルチモデル融合

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

タイトルに関連する用語 (6件)： サブネットワーク ,  ロバスト ,  物体検出 ,  マルチモデル ,  深層 ,  融合