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。
マシン可視化を達成するために,オブジェクト検出アルゴリズムは,画像におけるすべてのターゲットアイテムを認識して,カテゴリーとオブジェクト位置情報を引き出す。この問題を解決するための多くの方法を示し,その多くはコンピュータビジョンと深層学習方法論によって触発されている。一方,既存の技術は,小型で密な物体を認識し,ランダム幾何学的修正で物体を検出するのに失敗する。オブジェクト骨格はオブジェクト表現と検出を助けることができる。骨格は,包括的な形状意味論を含む自然な物体の固有の視覚記述である。それらは,物体要素間で変化する厚さにおける物体スケールのような追加情報の提供により,オブジェクト輪郭を補足する。しかし,各スケルトンピクセルのスケールを計算するために,抽出器が局所および非局所視覚コンテキストの両方を捕捉することができるので,自然写真からのオブジェクト骨格の抽出は難しい。この問題を解決するため,画像中に存在する正確な物体を認識するためにオブジェクトのスケルトンを抽出することにより,画像中のオブジェクトのカスプ点を正確に検出するために,マシン学習(CPLM-PTOML)を用いた精密同調アウトラインを有するCusp Pixelラベル付きモデルを提唱した。画像中の異なる層の受容野サイズと,それらが捕捉できる骨格スケールの間の関係をモニターすることによって,画像の各段階に対するマルチスケール関連出力を,画像の各段階に,監視する。このモデルをマルチタスク学習により訓練し,1つのジョブはスケルトン位置決めであり,ピクセルがスケルトンピクセルであるかどうかを決定し,もう1つはスケルトンスケール予測であり,各スケルトンピクセルのスケールを予測する。種々の相において,適切なスケールでの地上-トラス骨格に向けてスケール関連側面出力を指示することによって,監視を課した。提案モデルを,データ訓練サンプル,オブジェクト特徴抽出時間レベル,特徴抽出精度,Cusp Pixelラベル化時間レベル,Cusp Pixel同定精度,Cuspポイントリンク精度,Image Considered and Cusp Point認識レベルにおいて,従来のモデルと比較し,そして,結果は,提案モデルがより良い結果を示すことを示した。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】
