文献

J-GLOBAL ID：202202273640331852   整理番号：22A1062599

自己注意機構に基づく特徴ピラミッドマルチビューステレオネットワーク【JST・京大機械翻訳】

Feature Pyramid Multi-View Stereo Network Based on Self-Attention Mechanism

著者 (4件)： Li Junjie (School of Information Science and Engineering, Yunnan University, China) ,  Bai Zhengyao (School of Information Science and Engineering, Yunnan University, China) ,  Cheng Wei (School of Information Science and Engineering, Yunnan University, China) ,  Liu Huijie (School of Information Science and Engineering, Yunnan University, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICIGP 2022  ページ： 226-233  発行年： 2022年 
JST資料番号： D0698C  資料種別： 会議録 (C)
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： マルチビュー3D再構成は,一組の2D画像から物体の3D形状を回復することを目的とする。伝統的方法は,分散を計算することによって対応する画素のペアにマッチして,それは主に画素の相互依存性を考慮しない画素ベースの測度であり,テクスチャフリーまたはオクルージョン領域をマッチングするために無効であった。この問題に取り組むため,深層学習を用いたマルチビュー3D再構成を検討し,自己注意機構(FPSA-MVSNet)に基づく特徴ピラミッドマルチビューステレオネットワークを提案した。マルチスケール特徴ピラミッドネットワークを用いて,深い画像特徴を抽出し,画素間の広範な相互依存性を捉えるために,階層的特徴抽出モジュールに自己注意機構を導入した。一方,グループ相関法とカスケード手法を用いて,軽量コストボリュームを構築し,粗いレベルにおける初期深さマップを予測するための粗い深さマップ推論戦略を採用し,次に,最も細かいレベルで高分解能深さマップを生成するために,逐次サンプリングによってそれを反復的に最適化した。DTUベンチマークデータセット上で実験を行い,既存のマルチビュー3D再構成法と比較した。実験結果は,提案モデルがDTUベンチマークデータセットに関して既存の最良ネットワークモデルCasMVSNetより優れていて,完全性と全体的スコアが,それぞれ26.5%と9.0%でかなり改善されることを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 最適化 ,  測度 ,  特徴抽出 ,  画素 ,  画像特性 ,  二次元 ,  *ステレオ音響 ,  高分解能 ,  機械学習 ,  オクルージョン
準シソーラス用語： ネットワークモデル ,  マルチスケール ,  三次元形状 ,  3D画像再構成 ,  奥行きマップ ,  深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 3D再構成 ,  深層学習 ,  特徴ピラミッド ,  マルチビューステレオ ,  自己注意機構

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

タイトルに関連する用語 (1件)： 自己注意機構