Fugu-MT 論文翻訳(概要): Feature-based Recognition Framework for Super-resolution Images

論文の概要: Feature-based Recognition Framework for Super-resolution Images

arxiv url: http://arxiv.org/abs/2112.02270v1
Date: Sat, 4 Dec 2021 07:30:08 GMT
ステータス: 処理完了
システム内更新日: 2021-12-07 18:05:53.750568
Title: Feature-based Recognition Framework for Super-resolution Images
Title（参考訳）: 超高解像度画像のための特徴ベース認識フレームワーク
Authors: Jing Hu, Meiqi Zhang, Rui Zhang (School of Artificial Intelligence and Automation.HUST)
Abstract要約: GAN(FGAN)と組み合わせた特徴量認識ネットワークを提案する。我々のネットワークは、SR画像からより多くの特徴を抽出し、認識精度を向上させる。
参考スコア（独自算出の注目度）: 0.7316949412555912
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: In practical application, the performance of recognition network usually decreases when being applied on super-resolution images. In this paper, we propose a feature-based recognition network combined with GAN (FGAN). Our network improves the recognition accuracy by extracting more features that benefit recognition from SR images. In the experiment, we build three datasets using three different super-resolution algorithm, and our network increases the recognition accuracy by more than 6% comparing with ReaNet50 and DenseNet121.
Abstract（参考訳）: 実例では,超高解像度画像に適用した場合,認識ネットワークの性能は低下する。本稿では,GAN(FGAN)と組み合わせた特徴量認識ネットワークを提案する。我々のネットワークは、SR画像からより多くの特徴を抽出し、認識精度を向上させる。実験では,3種類の超解像アルゴリズムを用いて3つのデータセットを構築し,認識精度をReaNet50やDenseNet121と比較して6%以上向上させた。

関連論文リスト

Depth Map Denoising Network and Lightweight Fusion Network for Enhanced 3D Face Recognition [61.27785140017464]
本稿では,ノイズを低減するために,DIIF(Denoising Implicit Image Function)に基づくDMDNet(Depth Map Denoising Network)を提案する。さらに,光深度と標準核融合ネットワーク(LDNFNet)と呼ばれる強力な認識ネットワークを設計し,異なるモード間の特徴と相補的特徴を学習する。
論文参考訳（メタデータ） (2024-01-01T10:46:42Z)
Exploring Deep Learning Image Super-Resolution for Iris Recognition [50.43429968821899]
重畳自動エンコーダ(SAE)と畳み込みニューラルネットワーク(CNN)の2つの深層学習単一画像超解法手法を提案する。精度評価と認識実験により,1.872個の近赤外虹彩画像のデータベースを用いて評価を行い,比較アルゴリズムよりも深層学習の方が優れていることを示す。
論文参考訳（メタデータ） (2023-11-02T13:57:48Z)
An Enhanced Low-Resolution Image Recognition Method for Traffic Environments [3.018656336329545]
低解像度の画像は、小さなサイズ、低い品質、詳細さの欠如に悩まされ、従来のニューラルネットワーク認識アルゴリズムの精度が低下する。本稿では、残差ネットワークの基本構造と共通特徴部分空間アルゴリズムを利用する二重分岐残差ネットワーク構造を提案する。低解像度画像認識の精度を高めるために、中間層特徴の利用を取り入れている。
論文参考訳（メタデータ） (2023-09-28T12:38:31Z)
Super-Resolution and Image Re-projection for Iris Recognition [67.42500312968455]
異なるディープラーニングアプローチを用いた畳み込みニューラルネットワーク(CNN)は、解像度の低い画像から現実的なテクスチャときめ細かい詳細を復元しようとする。本研究は、虹彩認識環境における虹彩超解法(SR)に対するこれらのアプローチの実現可能性について検討する。その結果,CNNと画像再投影は,認識システムの精度向上に有効であることが示唆された。
論文参考訳（メタデータ） (2022-10-20T09:46:23Z)
Increasing the Accuracy of a Neural Network Using Frequency Selective Mesh-to-Grid Resampling [4.211128681972148]
ニューラルネットワークの入力データの処理にFSMR(Keypoint frequency selective mesh-to-grid resampling)を提案する。ネットワークアーキテクチャや分類タスクによって、トレーニング中のFSMRの適用は学習プロセスに役立ちます。 ResNet50とOxflower17データセットの分類精度は最大4.31ポイント向上できる。
論文参考訳（メタデータ） (2022-09-28T21:34:47Z)
Hierarchical Deep CNN Feature Set-Based Representation Learning for Robust Cross-Resolution Face Recognition [59.29808528182607]
クロスリゾリューション顔認識(CRFR)は、インテリジェントな監視およびバイオメトリックフォレンジックにおいて重要である。既存の浅層学習と深層学習に基づく手法は、HR-LR対を共同特徴空間にマッピングすることに焦点を当てている。本研究では,多レベル深層畳み込みニューラルネットワーク(CNN)の機能を完全に活用し,堅牢なCRFRを実現することを目的とする。
論文参考訳（メタデータ） (2021-03-25T14:03:42Z)
Complex-valued Iris Recognition Network [44.40424033688897]
我々は、虹彩認識のタスクのために、完全に複雑に評価されたニューラルネットワークを設計する。 ND-CrossSensor-2013, CASIA-Iris-Thousand, UBIRIS.v2の3つのベンチマークデータセットで実験を行った。我々は、複雑な価値ネットワークを、標準的な実価値ネットワークと比較すると、虹彩テクスチャから根本的に異なる特徴を抽出する方法を伝えるために、可視化スキームを利用する。
論文参考訳（メタデータ） (2020-11-23T03:36:18Z)
High Quality Remote Sensing Image Super-Resolution Using Deep Memory Connected Network [21.977093907114217]
単一画像の超解像は、ターゲット検出や画像分類といった多くの用途において重要である。本稿では,畳み込みニューラルネットワークによる高画質超解像画像の再構成手法として,DeepMemory Connected Network (DMCN)を提案する。
論文参考訳（メタデータ） (2020-10-01T15:06:02Z)
ResNeSt: Split-Attention Networks [86.25490825631763]
このアーキテクチャは、異なるネットワークブランチにチャンネルワイズを応用し、機能間相互作用のキャプチャと多様な表現の学習の成功を活用する。我々のモデルはResNeStと呼ばれ、画像分類の精度と遅延トレードオフにおいてEfficientNetより優れています。
論文参考訳（メタデータ） (2020-04-19T20:40:31Z)
Spatial-Spectral Residual Network for Hyperspectral Image Super-Resolution [82.1739023587565]
ハイパースペクトル画像超解像のための新しいスペクトル空間残差ネットワーク(SSRNet)を提案する。提案手法は,2次元畳み込みではなく3次元畳み込みを用いて空間スペクトル情報の探索を効果的に行うことができる。各ユニットでは空間的・時間的分離可能な3次元畳み込みを用いて空間的・スペクトル的な情報を抽出する。
論文参考訳（メタデータ） (2020-01-14T03:34:55Z)

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。