文献

J-GLOBAL ID：202202239630783064   整理番号：22A0323006

軽量畳込みニューラルネットワークによる水中偏光デヘイジングイメージング【JST・京大機械翻訳】

The underwater polarization dehazing imaging with a lightweight convolutional neural network

著者 (6件)： Ren Qiming (Key Laboratory of Optical Field Manipulation of Zhejiang Province, Department of physics, Zhejiang Sci-Tech University, Hangzhou 310018, China) ,  Xiang Yanfa (Key Laboratory of Optical Field Manipulation of Zhejiang Province, Department of physics, Zhejiang Sci-Tech University, Hangzhou 310018, China) ,  Wang Guochen (Key Laboratory of Optical Field Manipulation of Zhejiang Province, Department of physics, Zhejiang Sci-Tech University, Hangzhou 310018, China) ,  Gao Jie (Key Laboratory of Optical Field Manipulation of Zhejiang Province, Department of physics, Zhejiang Sci-Tech University, Hangzhou 310018, China) ,  Wu Yan (Key Laboratory of Optical Field Manipulation of Zhejiang Province, Department of physics, Zhejiang Sci-Tech University, Hangzhou 310018, China) ,  Chen Rui-Pin (Key Laboratory of Optical Field Manipulation of Zhejiang Province, Department of physics, Zhejiang Sci-Tech University, Hangzhou 310018, China)
資料名： Optik  (Optik)
巻： 251  ページ： Null  発行年： 2022年 
JST資料番号： D0251A  ISSN： 0030-4026  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： 水中環境における粒子の散乱と吸収は,水中画像の品質に大きく影響し,コントラストと画像品質の減少をもたらす。本研究では,深層学習モデルに基づく水中能動偏波デザジングイメージングを研究した。4つの入力チャネルを有する修正軽量デヘッジング畳込みニューラルネットワーク(CNN)モデルを,深層学習と偏光デザジングイメージング技術の利点の両方を結合することによって設計した。軽量CNNを訓練し,異なる混濁度水中環境における異なる偏光成分(00,450,900線形分極および円偏光)の画像を用いて試験した。実験結果は,この方式が,従来の脱穀方法のものより,より良い脱穀画像効果を迅速に達成できることを示した。Copyright 2022 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 ,  分極 ,  *偏光 ,  *画像処理 ,  画質 ,  円偏光 ,  線形性 ,  偏波 ,  混濁度 ,  脱穀 ,  チャネル ,  画像診断
準シソーラス用語： 水中画像 ,  深層学習 ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (3件)： 偏光イメージング ,  画像診断 ,  深層学習

分類 (2件)： ホログラフィー一般  (BD03071V) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： 軽量 ,  畳込みニューラルネットワーク ,  水中 ,  偏光