論文の概要: Efficient High-Resolution Deep Learning: A Survey

• arxiv url: http://arxiv.org/abs/2207.13050v1
• Date: Tue, 26 Jul 2022 17:13:53 GMT
• ステータス: 処理完了
• システム内更新日: 2022-07-27 13:07:02.919984
• Title: Efficient High-Resolution Deep Learning: A Survey
• Title（参考訳）: 効率的な高分解能ディープラーニング:調査
• Authors: Arian Bakhtiarnia, Qi Zhang and Alexandros Iosifidis
• Abstract要約: スマートフォン、衛星、医療機器などの現代の機器のカメラは、非常に高解像度の画像やビデオを撮影することができる。 このような高解像度データは、がん検出、自動道路ナビゲーション、天気予報、監視、農業プロセスの最適化、その他多くの応用のためのディープラーニングモデルによって処理される。 ディープラーニングモデルの直接入力として高解像度の画像とビデオを使用することで、パラメータの多さ、計算コスト、推論レイテンシ、GPUメモリ使用量など、多くの課題が生じる。 文献におけるいくつかの研究は、高解像度データの課題に対処し、ハードウェアの制限に従いながら精度とスピードを改善するために、より良い代替案を提案する。
• 参考スコア（独自算出の注目度）: 90.76576712433595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cameras in modern devices such as smartphones, satellites and medical equipment are capable of capturing very high resolution images and videos. Such high-resolution data often need to be processed by deep learning models for cancer detection, automated road navigation, weather prediction, surveillance, optimizing agricultural processes and many other applications. Using high-resolution images and videos as direct inputs for deep learning models creates many challenges due to their high number of parameters, computation cost, inference latency and GPU memory consumption. Simple approaches such as resizing the images to a lower resolution are common in the literature, however, they typically significantly decrease accuracy. Several works in the literature propose better alternatives in order to deal with the challenges of high-resolution data and improve accuracy and speed while complying with hardware limitations and time restrictions. This survey describes such efficient high-resolution deep learning methods, summarizes real-world applications of high-resolution deep learning, and provides comprehensive information about available high-resolution datasets.
• Abstract（参考訳）: スマートフォン、衛星、医療機器などの現代の機器のカメラは、非常に高解像度の画像やビデオを撮影することができる。 このような高解像度データは、がん検出、自動道路ナビゲーション、天気予報、監視、農業プロセスの最適化、その他多くの応用のためのディープラーニングモデルによって処理される。 ディープラーニングモデルの直接入力として高解像度画像とビデオを使用することで、パラメータの多さ、計算コスト、推論遅延、gpuメモリ消費など、多くの課題が発生する。 画像の解像度を低くするといった単純なアプローチは文献では一般的であるが、典型的には精度が著しく低下する。 文献におけるいくつかの研究は、高解像度データの課題に対処し、ハードウェアの制限と時間制限に従って精度とスピードを改善するために、より良い代替案を提案する。 本調査では,このような効率的な高解像度深層学習手法を概説し,高解像度深層学習の現実的応用を要約し,利用可能な高解像度データセットに関する包括的情報を提供する。

関連論文リスト

• Recurrent Multi-scale Transformer for High-Resolution Salient Object Detection [68.65338791283298]
  Salient Object Detection (SOD) は、画像やビデオの中で最も顕著なオブジェクトを識別し、セグメント化することを目的としている。 従来のSOD法は主に解像度の低い画像に限られており、高分解能SODの開発に適応することが困難である。 本研究ではまず,2K-8K解像度で10,500個の高品質なアノテート画像を含む新しいHRS10Kデータセットを提案する。
  論文  参考訳（メタデータ） (2023-08-07T17:49:04Z)
• Visual Place Recognition with Low-Resolution Images [17.847661026367767]
  画像解像度が手作りビジュアルプレイス認識パイプラインの精度と堅牢性に与える影響を解析する。 本稿では、ハードウェア・ソフトウェア産業の研究者や企業がVPRソリューションを共同設計し、商用製品におけるVPRアルゴリズムの利用を拡大することを目的とする。
  論文  参考訳（メタデータ） (2023-05-09T21:34:38Z)
• Semi-Supervised Super-Resolution [30.872605139672086]
  超解像(Super-Resolution)は、可視分解能を高めて低解像度の写真の品質を向上させる技術である。 従来の超解法では、低解像度で高解像度のペアがほとんど得られない領域では問題となるような訓練のために膨大な量のデータを必要とする。 本稿では,500対の例に満たない,シャープで高解像度の画像を生成するための半教師付き手法を提案する。
  論文  参考訳（メタデータ） (2022-04-18T07:10:29Z)
• Towards Unpaired Depth Enhancement and Super-Resolution in the Wild [121.96527719530305]
  最先端のデータ駆動による深度マップの超解像法は、同じシーンの低解像度と高解像度の深度マップの登録ペアに依存している。 未経験データからの学習に基づく深度マップの強化について考察する。
  論文  参考訳（メタデータ） (2021-05-25T16:19:16Z)
• A new public Alsat-2B dataset for single-image super-resolution [1.284647943889634]
  本稿では,低空間解像度画像(10m, 2.5m)と高空間解像度画像(10m, 2.5m)の新たなリモートセンシングデータセット(Alsat2B)を提案する。 パンシャープ化により高分解能画像を得る。 その結果,提案手法は有望であり,データセットの課題を強調していることがわかった。
  論文  参考訳（メタデータ） (2021-03-21T10:47:38Z)
• Interpretable Hyperspectral AI: When Non-Convex Modeling meets Hyperspectral Remote Sensing [57.52865154829273]
  ハイパースペクトルイメージング、別名画像分光法は、地球科学リモートセンシング(RS)におけるランドマーク技術です。 過去10年間で、主に熟練した専門家によってこれらのハイパースペクトル(HS)製品を分析するための取り組みが行われています。 このため、さまざまなHS RSアプリケーションのためのよりインテリジェントで自動的なアプローチを開発することが急務です。
  論文  参考訳（メタデータ） (2021-03-02T03:32:10Z)
• Exploiting Raw Images for Real-Scene Super-Resolution [105.18021110372133]
  本稿では,合成データと実撮影画像とのギャップを埋めるために,実シーンにおける単一画像の超解像化の問題について検討する。 本稿では,デジタルカメラの撮像過程を模倣して,よりリアルなトレーニングデータを生成する手法を提案する。 また、原画像に記録された放射情報を活用するために、2分岐畳み込みニューラルネットワークを開発した。
  論文  参考訳（メタデータ） (2021-02-02T16:10:15Z)
• ImagePairs: Realistic Super Resolution Dataset via Beam Splitter Camera Rig [13.925480922578869]
  実画像データセットを収集するための新しいデータ取得手法を提案する。 我々はビームスプリッターを用いて、低解像度カメラと高解像度カメラで同じシーンを撮影する。 これらのタスクに使用される現在の小規模データセットとは異なり、提案データセットは11,421対の低解像度高解像度画像を含んでいる。
  論文  参考訳（メタデータ） (2020-04-18T03:06:41Z)
• Learning When and Where to Zoom with Deep Reinforcement Learning [101.79271767464947]
  そこで本稿では,高解像度のデータをペアで,安価で低解像度の画像に対していつ,どこで使用・取得するかを識別する強化学習手法を提案する。 我々は、CIFAR10、CIFAR100、ImageNet、fMoWデータセット上で実験を行い、全高解像度画像を使用するモデルと同等の精度を維持しながら、非常に少ない高解像度データを使用する。
  論文  参考訳（メタデータ） (2020-03-01T07:16:46Z)

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。