文献

J-GLOBAL ID：202202234447697509   整理番号：22A0855646

限界勾配埋込みカスケードフォレストに基づく高速画像超解像【JST・京大機械翻訳】

Fast Image Super-Resolution Based on Limit Gradient Embedding Cascaded Forest

著者 (4件)： Yang Xin (School of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing, People’s Republic of China) ,  Wu Chenhuan (School of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing, People’s Republic of China) ,  Zhou Dake (School of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing, People’s Republic of China) ,  Li Tao (School of Automation Engineering, Nanjing University of Aeronautics and Astronautics, Nanjing, People’s Republic of China)
資料名： Circuits, Systems, and Signal Processing  (Circuits, Systems, and Signal Processing)
巻： 41  号： 4  ページ： 2007-2026  発行年： 2022年 
JST資料番号： H0430B  ISSN： 0278-081X  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 現在,深層学習超解像(SR)法は優れた結果を達成したが,大きなモデル,高い計算コスト,大量の訓練データ,および貧弱な解釈可能性のような問題に直面している。しかしながら,従来の機械学習ベースの方法は,まだ特徴抽出とモデル構造の改善のための余地がある。本論文は,ランダムフォレストに基づく勾配埋込みカスケード森林構造を構築し,限界勾配埋込みカスケード森林SR(LGECFSR)モデルを提案した。特徴構築において,著者らは,画像の一次勾配,二次勾配,および他の特徴を採用するだけでなく,元のLR画像の情報を融合する。さらに,異なるサイズの画像ブロックを訓練のために用いて,それはモデルの一般化能力を増加させた。最先端の機械学習ベースの方法と比較して,著者らの方法は,最良の性能と第2の最良計算速度を達成した。さらに,いくつかの深い学習ベースの方法と比較して,著者らのモデルは類似の再構成効果と最良の計算速度を有した。詳細に,いくつかの再構成タスクのために,LGECFSRのマルチAddsは,いくつかの現在のモデルのものの1/10分の1である。しかしながら,LGECFSRのSR性能は,いくつかの現在の古典的アルゴリズムのものより同じか,わずかに良い。Copyright The Author(s), under exclusive licence to Springer Science+Business Media, LLC, part of Springer Nature 2021 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 ,  学習 ,  特徴抽出 ,  勾配 ,  *画像 ,  再構成 ,  計算機処理速度 ,  計算機アルゴリズム ,  *超解像 ,  問題 ,  埋込み【挿入】 ,  機械学習
準シソーラス用語： 訓練データ ,  計算コスト ,  ランダムフォレスト ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 超解像 ,  カスケードフォレスト ,  機械学習 ,  限界勾配埋込み ,  リアルタイム

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (2件)： 埋込み ,  超解像