文献

J-GLOBAL ID：202202216836604061   整理番号：22A0554139

ステレオマッチングのための合成-実領域適応結合空間特徴変換【JST・京大機械翻訳】

Synthetic-to-Real Domain Adaptation Joint Spatial Feature Transform for Stereo Matching

著者 (5件)： Li Xing (School of Electronics and Information, Northwestern Polytechnical University, Xian, China) ,  Fan Yangyu (School of Electronics and Information, Northwestern Polytechnical University, Xian, China) ,  Rao Zhibo (School of Electronics and Information, Northwestern Polytechnical University, Xian, China) ,  Lv Guoyun (School of Electronics and Information, Northwestern Polytechnical University, Xian, China) ,  Liu Shiya (Content Production Center of Virtual Reality, Beijing, China)
資料名： IEEE Signal Processing Letters  (IEEE Signal Processing Letters)
巻： 29  ページ： 60-64  発行年： 2022年 
JST資料番号： W0576A  ISSN： 1070-9908  CODEN： ISPLEM  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： 最も深い学習ベースの最先端のステレオマッチング法は大規模データセットに著しく依存する。しかし,実際には,高密度で明確な地上の視差マップを持つ十分な実世界サンプルを収集することは不可能である。合成データセットの外観は広範な実データに対する要求を緩和したが,合成と実集合間のドメインシフトがある。この問題に取り組むために,実際のドメインに合成画像を写像する個別訓練された合成-現実領域適応(SDA)ネットワークを提案した。特に,提案アプローチは,コンテンツと空間情報を維持しながら,データスタイルを合成ドメインから実ドメインに変換する。最初に,エッジキューを入力と生成画像の間の空間一貫性を保存する際にドメイン適応を誘導するために活用した。第二に,エッジマップとソース画像から特徴を効果的に融合するために,空間特徴変換(SFT)層を結合させた。大規模な実験は以下を示した。1)合成データ上で訓練し,実データに一般化された場合,このモデルは,多くの最先端のドメイン適応法を明らかに凌駕する。2)翻訳合成データセット(TSD)は,任意のステレオマッチングCNNの一般化能力を改善するのに役立つ。コードとデータはhttps://github.com/Archaic-Atom/SDA_networkで利用可能である。Copyright 2022 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： 学習 ,  データ ,  ネットワーク ,  範囲 ,  *変換 ,  モデル ,  集合 ,  *ステレオマッチング ,  コンテンツ
準シソーラス用語： 空間情報 ,  視差画像 ,  高密度 ,  合成画像 ,  *特徴変換 ,  大規模データセット , 【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 (3件)： ステレオマッチング ,  適応 ,  特徴変換