文献

J-GLOBAL ID：202202261980864245   整理番号：22A0848445

GANベース機械学習技法を用いた水中LiDAR画像強調【JST・京大機械翻訳】

Underwater LiDAR Image Enhancement Using a GAN Based Machine Learning Technique

著者 (6件)： Estrada Dennis C. (Harbor Branch Oceanic Institute, Florida Atlantic University, Fort Pierce, FL, USA) ,  Dalgleish Fraser R. (L3Harris Technologies, Inc., Palm Bay, FL, USA) ,  Ouden Casey J. Den (Harbor Branch Oceanic Institute, Florida Atlantic University, Fort Pierce, FL, USA) ,  Ramos Brian (Harbor Branch Oceanic Institute, Florida Atlantic University, Fort Pierce, FL, USA) ,  Li Yanjun (Harbor Branch Oceanic Institute, Florida Atlantic University, Fort Pierce, FL, USA) ,  Ouyang Bing (Harbor Branch Oceanic Institute, Florida Atlantic University, Fort Pierce, FL, USA)
資料名： IEEE Sensors Journal  (IEEE Sensors Journal)
巻： 22  号： 5  ページ： 4438-4451  発行年： 2022年 
JST資料番号： W1318A  ISSN： 1530-437X  CODEN： ISJEAZ  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： ロバストな水中イメージングセンサーは,沿岸モニタリングサイトの周りに典型的に見出される混濁水における海洋動物の同定および分類のような応用に不可欠である。劣化水中環境で撮影された画像を捉え,従来の光学カメラに比べて優れた範囲と画像コントラストを提供するため,Unobrutic Multi-静的連続LiDAR撮像装置(UMSLI)を開発した。青緑色レーザを使用する従来の水中LiDARシステムとは対照的に,UMLSIは海洋動物の視覚に害を与えず,そのような設定において重要な側面である。他の水中LiDARセンサと同様に,高混濁水で撮影された画像の品質を改善することはUMSLIシステムに不可欠である。本論文では,Generative Adversarial Network(GAN)フレームワークに基づく新しい機械学習画像強調手法を提案した。この方法の一つの主な寄与は,コローエントロピーベースの知覚損失の導入である。この技法は地上ベース画像の増強に有効であり,LiDAR画像強調に応用されていることを示した。既存の水中LiDARデータの限界を考えて,訓練のための劣化データをシミュレーションする方法も提示した。このLiDAR技術は,フロリダ大西洋大学のHarbor分岐海洋研究所(FAU-HBOI)光学試験施設および太平洋北西国立研究所(MCRL-PNNL)の海洋および沿岸研究所におけるUMSLIシステムによって捕捉されたLiDARデータを用いて検証された。この画像増強技術は,他の水中LiDARシステムに容易に拡張できる。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： カメラ ,  視覚 ,  *学習 ,  システム ,  海洋 ,  *画像 ,  撮像装置 ,  海洋動物 ,  沿岸 ,  *画像強調 ,  イメージセンサ ,  ロバスト性 ,  *機械学習
準シソーラス用語： 画像コントラスト ,  LIDARデータ , 【Automatic Indexing@JST】

分類 (2件)： 光導波路,光ファイバ,繊維光学  (BD06030H) ,  通信網  (ND07030A)

タイトルに関連する用語 (7件)： GaN ,  ベース機械 ,  学習 ,  技法 ,  水中 ,  LIDAR ,  画像強調