文献

J-GLOBAL ID：202202280631896887   整理番号：22A0964106

深層ニューラルネットワークを用いた画像キャプション生成【JST・京大機械翻訳】

Image Caption Generation using Deep Neural Networks

著者 (3件)： Sudhakar J (Sri Sivasubramaniya Nadar College of Engineering,Chennai,India) ,  Iyer Viswesh V (Sri Sivasubramaniya Nadar College of Engineering,Chennai,India) ,  Sharmila Sree T (Sri Sivasubramaniya Nadar College of Engineering,Chennai,India)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2022  号： ICONAT  ページ： 1-3  発行年： 2022年 
JST資料番号： W2441A  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： 近年,コンピュータビジョンは,主に画像分類と物体検出と認識の分野で,著しい進歩を遂げた。自然言語を用いて画像コンテンツを自動的に記述することは困難であり,大きな潜在的影響を持っている。ここで,アイデアは,画像から特徴を抽出し,キャップを生成し,生成されたキャップを音声に変換することである。本研究では,深層ニューラルネットワークベース画像キャプション生成を系統的に解析した。入力として画像を用いて,モデルは,CNN(畳込みニューラルネットワーク),RNN(再帰ニューラルネットワーク),および文章生成によって画像中のコンテンツを記述する英語文章を出力できる。生成されたキャプションは,Google Text to Speech(gTTS)を用いてオーディオに変換する。これらのモデルを8000+画像からなるFlickr8kデータセット上に構築した。通常,人間はコンパクトで簡潔である自然言語を用いてシーンを記述する傾向がある。しかしながら,マシンビジョンシステムは,二次元アレイである画像を取ることにより,シーン/画像を記述する。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： *ニューラルネットワーク ,  英語 ,  自然言語 ,  オーディオ機器 ,  コンピュータビジョン ,  コンテンツ
準シソーラス用語： 文章生成 ,  映像コンテンツ ,  画像分類 ,  Google ,  物体検出 ,  マシンビジョン ,  *キャプション ,  *ディープニューラルネットワーク ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

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 (2件)： 深層ニューラルネットワーク ,  キャプション