論文の概要: MCGKT-Net: Multi-level Context Gating Knowledge Transfer Network for Single Image Deraining

• arxiv url: http://arxiv.org/abs/2010.09241v1
• Date: Mon, 19 Oct 2020 06:21:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-10-05 21:57:07.909527
• Title: MCGKT-Net: Multi-level Context Gating Knowledge Transfer Network for Single Image Deraining
• Title（参考訳）: MCGKT-Net:単一画像レイニングのためのマルチレベルコンテキストゲーティング知識伝達ネットワーク
• Authors: Kohei Yamamichi, Xian-Hua Han
• Abstract要約: 本研究では, 掘削性能向上のための新しいMCGKT-Netを提案する。 自然界の多スケール学習フレームワークであり、雨天のマルチスケール属性を探索することができる。 3つのベンチマークデータセットの実験は、最先端の手法と比較して印象的なパフォーマンスを示している。
• 参考スコア（独自算出の注目度）: 4.8609514458349095
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Rain streak removal in a single image is a very challenging task due to its ill-posed nature in essence. Recently, the end-to-end learning techniques with deep convolutional neural networks (DCNN) have made great progress in this task. However, the conventional DCNN-based deraining methods have struggled to exploit deeper and more complex network architectures for pursuing better performance. This study proposes a novel MCGKT-Net for boosting deraining performance, which is a naturally multi-scale learning framework being capable of exploring multi-scale attributes of rain streaks and different semantic structures of the clear images. In order to obtain high representative features inside MCGKT-Net, we explore internal knowledge transfer module using ConvLSTM unit for conducting interaction learning between different layers and investigate external knowledge transfer module for leveraging the knowledge already learned in other task domains. Furthermore, to dynamically select useful features in learning procedure, we propose a multi-scale context gating module in the MCGKT-Net using squeeze-and-excitation block. Experiments on three benchmark datasets: Rain100H, Rain100L, and Rain800, manifest impressive performance compared with state-of-the-art methods.
• Abstract（参考訳）: 1枚の画像で雨を取り除くのは、本質的に不適切な性質のため、非常に難しい作業です。 近年,深層畳み込みニューラルネットワーク(DCNN)を用いたエンドツーエンド学習技術がこの課題に大きく進展している。 しかし、従来のDCNNベースのデラミニング手法は、より深くより複雑なネットワークアーキテクチャを活用してパフォーマンスを向上させるのに苦労している。 本研究では,雨天のマルチスケール属性と鮮明な画像の異なる意味構造を探索できる自然学習フレームワークである,デラミニング性能向上のための新しいMCGKT-Netを提案する。 MCGKT-Netの高機能化を目的として,異なる層間の相互作用学習を行うためのConvLSTMユニットを用いた内部知識伝達モジュールを探索し,他のタスク領域で既に学習されている知識を活用するための外部知識伝達モジュールについて検討する。 さらに,学習手順において有用な特徴を動的に選択するために,圧縮と励起ブロックを用いたマルチスケールコンテキストゲーティングモジュールを MCGKT-Net で提案する。 Rain100H、Rain100L、Rain800の3つのベンチマークデータセットの実験は、最先端の手法と比較して、素晴らしいパフォーマンスを示している。

関連論文リスト

• Semi-supervised Semantic Segmentation for Remote Sensing Images via Multi-scale Uncertainty Consistency and Cross-Teacher-Student Attention [59.19580789952102]
  本稿では,RS画像セマンティックセグメンテーションタスクのための,新しい半教師付きマルチスケール不確かさとクロスTeacher-Student Attention(MUCA)モデルを提案する。 MUCAは、マルチスケールの不確実性整合正則化を導入することにより、ネットワークの異なる層における特徴写像間の整合性を制限する。 MUCAは学生ネットワークの誘導にクロス教師・学生の注意機構を使用し、学生ネットワークにより差別的な特徴表現を構築するよう誘導する。
  論文  参考訳（メタデータ） (2025-01-18T11:57:20Z)
• Contrastive Learning Based Recursive Dynamic Multi-Scale Network for Image Deraining [47.764883957379745]
  雨のストリークは撮影画像の可視性を著しく低下させる。 既存のディープラーニングベースの画像デライニング手法では、手作業で構築されたネットワークを使用して、雨の降った画像から明確な画像への直接投影を学習する。 本稿では,雨天画像と澄んだ画像との相関関係を考察した,対照的な学習に基づく画像デライニング手法を提案する。
  論文  参考訳（メタデータ） (2023-05-29T13:51:41Z)
• Multi-scale Attentive Image De-raining Networks via Neural Architecture Search [23.53770663034919]
  我々は,画像デラリニングのための高性能なマルチスケール注意型ニューラルネットワーク探索(MANAS)フレームワークを開発した。 提案手法は,画像デライニング作業に好適な複数のフレキシブルモジュールを備えた,新しいマルチスケールアテンション検索空間を定式化する。 ディライニングネットワークの内部マルチスケール注意アーキテクチャは、勾配に基づく探索アルゴリズムによって自動的に探索される。
  論文  参考訳（メタデータ） (2022-07-02T03:47:13Z)
• Online-updated High-order Collaborative Networks for Single Image Deraining [51.22694467126883]
  単一画像のデライン化は、ビデオ監視や自動運転システムなど、下流の人工知能アプリケーションにとって重要なタスクである。 マルチスケールのコンパクトな制約と双方向のスケール・コンテント類似性マイニングモジュールを備えた高階協調ネットワークを提案する。 提案手法は,5つの公開合成と1つの実世界のデータセットに対して,11の最先端手法に対して好意的に機能する。
  論文  参考訳（メタデータ） (2022-02-14T09:09:08Z)
• Knowledge Distillation By Sparse Representation Matching [107.87219371697063]
  本稿では,一方の畳み込みネットワーク(cnn)から他方へ,スパース表現を用いて中間知識を伝達するスパース表現マッチング(srm)を提案する。 勾配降下を利用して効率的に最適化し、任意のCNNにプラグアンドプレイで統合できるニューラルプロセッシングブロックとして定式化します。 実験の結果,教師と生徒のネットワーク間のアーキテクチャの違いに頑健であり,複数のデータセットにまたがる他のkd技術よりも優れていた。
  論文  参考訳（メタデータ） (2021-03-31T11:47:47Z)
• Sparse Coding Driven Deep Decision Tree Ensembles for Nuclear Segmentation in Digital Pathology Images [15.236873250912062]
  デジタル病理画像セグメンテーションタスクにおいて、ディープニューラルネットワークと高い競争力を持つ、容易に訓練されながら強力な表現学習手法を提案する。 ScD2TEと略すこの手法はスパースコーディング駆動の深層決定木アンサンブルと呼ばれ、表現学習の新しい視点を提供する。
  論文  参考訳（メタデータ） (2020-08-13T02:59:31Z)
• A Model-driven Deep Neural Network for Single Image Rain Removal [52.787356046951494]
  完全解釈可能なネットワーク構造を持つモデル駆動型ディープニューラルネットワークを提案する。 雨を表現するための畳み込み辞書学習機構に基づいて,新しい単一画像デレーニングモデルを提案する。 すべてのレインカーネルとオペレータは自動的に抽出され、レイン層とクリーンなバックグラウンド層の両方の特徴を忠実に特徴付けることができる。
  論文  参考訳（メタデータ） (2020-05-04T09:13:25Z)
• Deep Multimodal Neural Architecture Search [178.35131768344246]
  様々なマルチモーダル学習タスクのための一般化された深層マルチモーダルニューラルアーキテクチャサーチ(MMnas)フレームワークを考案する。 マルチモーダル入力が与えられたら、まずプリミティブ演算のセットを定義し、その後、ディープエンコーダ-デコーダベースの統一バックボーンを構築する。 統合されたバックボーンの上にタスク固有のヘッドをアタッチして、異なるマルチモーダル学習タスクに取り組む。
  論文  参考訳（メタデータ） (2020-04-25T07:00:32Z)
• Multi-Task Learning Enhanced Single Image De-Raining [9.207797392774465]
  画像の降雨除去はコンピュータビジョンにおいて重要な課題であり、より多くの人々の注目を集めている。 本稿では,1枚の画像からレインストリークの視覚効果を除去する非自明な問題に対処する。 本手法は,降雨除去のためのマルチタスク回帰モデルにおいて,様々な意味制約タスクを組み合わさったものである。
  論文  参考訳（メタデータ） (2020-03-21T16:19:56Z)
• Unpaired Multi-modal Segmentation via Knowledge Distillation [77.39798870702174]
  本稿では,不対向画像分割のための新しい学習手法を提案する。 提案手法では,CTおよびMRI間での畳み込みカーネルの共有により,ネットワークパラメータを多用する。 我々は2つの多クラスセグメンテーション問題に対するアプローチを広範囲に検証した。
  論文  参考訳（メタデータ） (2020-01-06T20:03:17Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。