文献

J-GLOBAL ID：202202269268309301   整理番号：22A0686526

GCNベースアノテーション戦略と知識蒸留による軽量影検出【JST・京大機械翻訳】

Light-weight shadow detection via GCN-based annotation strategy and knowledge distillation

著者 (4件)： Wu Wen (Computer and Software School, Hangzhou Dianzi University, Hangzhou, 310018, China) ,  Zhou Kai (Computer and Software School, Hangzhou Dianzi University, Hangzhou, 310018, China) ,  Chen Xiao-Diao (Computer and Software School, Hangzhou Dianzi University, Hangzhou, 310018, China) ,  Yong Jun-Hai (School of Software, BNRist, Tsinghua University, Beijing, 100084, China)
資料名： Computer Vision and Image Understanding  (Computer Vision and Image Understanding)
巻： 216  ページ： Null  発行年： 2022年 
JST資料番号： W0185A  ISSN： 1077-3142  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： 本論文は,影検出問題について議論して,正確な検出結果と高い計算効率の両方を達成するために軽量ネットワークを提案した。最初に,リアルタイムシャドウ検出のためのコンパクトなネットワークを示す。第2に,著者らの軽量ネットワークの性能を改良するために,著者らは,2つの相補的で必要な戦略,すなわち,余分な訓練データと知識蒸留の利用を提案した。大量の余分なデータを収集することは,以下の課題につながるであろう:シャドウシーンは多様であり,一方,それらの複雑なシナリオの注釈は時間がかかり,高価であり,時には専門家の援助を必要とする。それを解くために,第1ステップでは,グラフ畳込みネットワーク,即ち,Anno-GCNに基づく新しいシャドウアノテーション戦略を導入し,余分な訓練ペアを提供し,それは,いくつかの注釈スクライブルだけを通して完全なシャドウマスクを得る。第2段階では,軽量ネットワークの性能をさらに改善するために,これらの十分なGCN標識訓練データと知識蒸留を組み合わせることができる。大規模な実験は,著者らの方法が,約2.97Mのパラメータで,最先端の推論精度,計算効率,および一般化可能性を達成できることを証明した。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： 畳込み ,  ネットワーク ,  *蒸留 ,  精度 ,  画像処理 ,  シャドウマスク ,  推論
準シソーラス用語： 訓練データ ,  計算効率 ,  半教師つき学習 ,  軽量 , 【Automatic Indexing@JST】

著者キーワード (5件)： 軽量 ,  画像処理 ,  グラフ畳込みネットワーク ,  半教師つき学習 ,  影検出

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： アノテーション ,  戦略 ,  知識蒸留 ,  軽量 ,  影