文献

J-GLOBAL ID：202102249628888161   整理番号：21A2454134

深層学習に基づく組積壁画像解析【JST・京大機械翻訳】

Deep Learning-Based Masonry Wall Image Analysis

著者 (7件)： Ibrahim Yahya (3in-PPCU Research Group, Peter Pazmany Catholic University, H-2500 Esztergom, Hungary) ,  Nagy Balazs (3in-PPCU Research Group, Peter Pazmany Catholic University, H-2500 Esztergom, Hungary) ,  Nagy Balazs (Institute for Computer Science and Control (SZTAKI), H-1111 Budapest, Hungary) ,  Nagy Balazs (Faculty of Informatics, University of Debrecen, 4028 Debrecen, Hungary) ,  Benedek Csaba (3in-PPCU Research Group, Peter Pazmany Catholic University, H-2500 Esztergom, Hungary) ,  Benedek Csaba (Institute for Computer Science and Control (SZTAKI), H-1111 Budapest, Hungary) ,  Benedek Csaba (Faculty of Informatics, University of Debrecen, 4028 Debrecen, Hungary)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 23  ページ： 3918  発行年： 2020年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 本論文では,組積造壁画像の意味解析と文書化のための新しい機械学習ベース完全自動手法を導入し,閉塞または損傷壁領域の並列自動検出と仮想完了,および壁構造の正確なモデルに導く煉瓦セグメンテーションを行った。この目的のために,3つの相互作用する深層ニューラルネットワークと流域変換ベースの煉瓦輪郭抽出ステップから成る4段階アルゴリズムを提案した。始めに,U-Netベースのサブネットワークが,煉瓦,モルタル,および閉塞領域への初期壁分割を実行し,次に,2段階敵対修復モデルが続く。第一の敵対ネットワークは,観察された壁構造に基づく閉塞領域の図式モルタル-煉瓦パターンを予測し,考古学的および建築的応用に対する貴重な構造情報を提供する。第2の敵対ネットワークは,観測者のための現実的視覚経験を与える画素色値を予測する。最後に,流域ベースセグメンテーションプロセスにおけるマーカーとしてのニューラルネットワーク出力を用いて,元の可視および人工的修復壁領域の両方で,個々の煉瓦の正確な輪郭を生成した。第1の3段階が逐次パイプラインを実行する一方で,それらは,異なるネットワーク成分間の隠れ特徴依存性の考慮を許可するそれらの損失関数の依存性を通して相互作用する。ネットワークを訓練し試験するために,新しいデータセットを作成し,最新技術に対する広範な定性的および定量的評価を与えた。実験により,提案手法は,壁構造推定および修復ステップの視覚品質に関して,参照技法よりも性能が優れており,さらに,様々な異なる組積壁タイプに対してロバストに使用できることを確認した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： アルゴリズム ,  視覚 ,  相互作用 ,  セグメンテーション ,  ネットワーク ,  煉瓦 ,  ニューラルネットワーク ,  流域 ,  モルタル ,  画素 ,  組積構造 ,  *画像分析 ,  ロバスト性 ,  機械学習
準シソーラス用語： *深層学習 , 【Automatic Indexing@JST】

著者キーワード (6件)： 組積壁 ,  セグメンテーション ,  塗装 ,  U-Net ,  GAN ,  流域変換

分類 (1件)： その他の建設工事  (RA07110I)

引用文献 (59件)：

• Pierdicca, R.; Paolanti, M.; Matrone, F.; Martini, M.; Morbidoni, C.; Malinverni, E.S.; Frontoni, E.; Lingua, A.M. Point Cloud Semantic Segmentation Using a Deep Learning Framework for Cultural Heritage. Remote Sens. 2020, 12, 1005.
• Gallwey, J.; Eyre, M.; Tonkins, M.; Coggan, J. Bringing Lunar LiDAR Back Down to Earth: Mapping Our Industrial Heritage through Deep Transfer Learning. Remote Sens. 2019, 11, 1994.
• de Lima-Hernandez, R.; Vergauwen, M. A Hybrid Approach to Reassemble Ancient Decorated Block Fragments through a 3D Puzzling Engine. Remote Sens. 2020, 12, 2526.
• Teruggi, S.; Grilli, E.; Russo, M.; Fassi, F.; Remondino, F. A Hierarchical Machine Learning Approach for Multi-Level and Multi-Resolution 3D Point Cloud Classification. Remote Sens. 2020, 12, 2598.
• Eramian, M.G.; Walia, E.; Power, C.; Cairns, P.A.; Lewis, A.P. Image-based search and retrieval for biface artefacts using features capturing archaeologically significant characteristics. Mach. Vis. Appl. 2016, 28, 201-218.

タイトルに関連する用語 (4件)： 深層学習 ,  組積 ,  壁画 ,  像解析