抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深い畳み込みニューラルネットワークは,単一画像降雨ストリーク除去のために著しい進展を達成した。しかし,データ駆動学習法の大部分は,実雨を扱うとき,顕著な性能低下に悩まされる,完全に監督されたか,あるいは半監督されている。これらのデータ駆動学習法は,実際の降雨に対して代表であるが,まだ一般化されていない。モデル駆動教師なし最適化法に対して正反対であった。これらの問題を克服するために,実際の降雨除去のために一般化と表現メリットを継承する統一教師なし学習フレームワークを提案した。特に,方向性降雨ストリークが異方性である一方,自然清浄画像が等方性であり,最適化モデルのエネルギー関数に構造矛盾を定式化する単純だが重要なドメイン知識を初めて発見した。その結果,最適化モデルの教師なし損失関数が,より良い一般化のために提案ネットワーク上で実行される最適化モデル駆動深いCNNを設計した。さらに,ネットワークのアーキテクチャは,より良い特徴表現を有する最適化モデルの主要な役割を模倣する。一方では,表現を改善するために深層ネットワークを利用した。他方,より良い一般化のために最適化モデルの教師なし損失を利用した。全体として,教師なし学習フレームワークは,良好な一般化と表現,すなわち,少数の実雨画像(入力)と物理的意味ネットワーク(アーキテクチャ)のみによる教師なし訓練(損失)を達成する。合成および実世界の降雨データセットに関する広範な実験は,提案した方法の優位性を示した。【JST・京大機械翻訳】