文献

J-GLOBAL ID：201802212160814590   整理番号：18A0440384

ビデオ超解像のための深い再発resnet【Powered by NICT】

Deep recurrent resnet for video super-resolution

著者 (2件)： Lim Bee (Department of Electrical and Computer Engineering, ASRI, Seoul National University, Seoul, South Korea) ,  Lee Kyoung Mu (Department of Electrical and Computer Engineering, ASRI, Seoul National University, Seoul, South Korea)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： APSIPA ASC  ページ： 1452-1455  発行年： 2017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,ビデオ超解像の性能は,畳込みニューラルネットワーク(CNN)の助けを借りて有意に改善した。CNNに基づく大部分の最近の研究は,ビデオフレームを扱うためにオプティカルフローを用いた。初動を補償し,整列したフレームに基づくマルチフレーム超解像を行った。しかし,この2段階アプローチは一段階は全体性能のボトルネックになることがあるという欠点を持っている。本論文では,オプティカルフローまたは動き補償を全く用いずにビデオ超解像問題を解くための異なるアプローチを提案した。長い短期記憶(LSTM)と残留ネットワークは,連続ビデオフレームを効果的に処理と呼ばれるリカレントニューラルネットワークにおける最近の進歩を採用した。単一フレーム法と比較して,著者らの再発モデルが優れた性能を与え,より時間的にコヒーレントな結果を示した。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 動き補償 ,  *超解像 ,  *録画装置 ,  コヒーレンス ,  モデル ,  オプティカルフロー ,  *再発 ,  ネットワーク ,  リカレントニューラルネットワーク ,  短期記憶 ,  ビデオフレーム ,  畳込みニューラルネットワーク

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： ビデオ ,  超解像 ,  再発