최근, 단일 이미지 초해상도 복원 기법(super-resolution)에서 컨볼루션 신경망 모델은 매우 성공적이다. 잔여 학습 기법은 컨볼루션 신경망 훈련의 안전성과 성능을 향상시킬 수 있다. 본 논문은...
http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
https://www.riss.kr/link?id=A106307904
2019
Korean
KCI등재
학술저널
633-642(10쪽)
0
0
상세조회0
다운로드국문 초록 (Abstract)
최근, 단일 이미지 초해상도 복원 기법(super-resolution)에서 컨볼루션 신경망 모델은 매우 성공적이다. 잔여 학습 기법은 컨볼루션 신경망 훈련의 안전성과 성능을 향상시킬 수 있다. 본 논문은...
최근, 단일 이미지 초해상도 복원 기법(super-resolution)에서 컨볼루션 신경망 모델은 매우 성공적이다. 잔여 학습 기법은 컨볼루션 신경망 훈련의 안전성과 성능을 향상시킬 수 있다. 본 논문은 저해상도 입력 이미지에서 고해상도 목표 이미지로 비선형 매핑 학습을 위해 고밀도 스킵 연결(dense skip-connection)을 통한 재귀 잔차 구조를 이용한 단일 이미지 초해상도 복원 기법을 제안한다. 제안하는 단일 이미지 초해상도 복원 기법은 고밀도 스킵 연결 방식을 통해 재귀 잔차 학습 방법을 채택해서 깊은 신경망에서 학습이 어려운 문제를 완화하고 더 쉽게 최적화하기 위해 신경망 안에 불필요한 레이어를 제거한다. 제안하는 방법은 매우 깊은 신경망의 사라지는 변화도(vanishing gradient) 문제를 완화할 뿐만 아니고 낮은 복잡성으로 뛰어난 성능을 얻음으로써 단일 이미지 초해상도 복원 기법의 성능을 향상시킨다. 실험 결과를 통해 제안하는 알고리듬이 기존의 알고리듬 보다 결과가 더 우수함을 보인다.
참고문헌 (Reference)
1 W. Zou, "Very low resolution face recognition problem" 21 (21): 327-340, 2011
2 H. Chang, "Super-resolution through neighbor embedding" 2004
3 S. Peled, "Super-resolution in MRI: application to human white matter fiber tract visualization by diffusion tensor imaging" 45 (45): 29-35, 2001
4 D. Glasner, "Super-resolution from a single image" 2009
5 R. Timofte, "Seven ways to improve example-based single image super resolution" 1865-1873, 2016
6 P. Sermanet, "Overfeat: Intergrated recognition, localization and detection using convolution networks" 2013
7 R. Zeyde, "On single image scale-up using sparse-representations" 711-730, 2012
8 C. G. Marco Bevilacqua, "Low complecity single-image super-resolution based on nonnegative neighbor embedding" 2012
9 W. T. Freeman, "Learning low-level vision" 40 (40): 25-47, 2000
10 C. E. Duchon, "Lanczos filtering in one and two dimensions" 1016-1022, 1979
1 W. Zou, "Very low resolution face recognition problem" 21 (21): 327-340, 2011
2 H. Chang, "Super-resolution through neighbor embedding" 2004
3 S. Peled, "Super-resolution in MRI: application to human white matter fiber tract visualization by diffusion tensor imaging" 45 (45): 29-35, 2001
4 D. Glasner, "Super-resolution from a single image" 2009
5 R. Timofte, "Seven ways to improve example-based single image super resolution" 1865-1873, 2016
6 P. Sermanet, "Overfeat: Intergrated recognition, localization and detection using convolution networks" 2013
7 R. Zeyde, "On single image scale-up using sparse-representations" 711-730, 2012
8 C. G. Marco Bevilacqua, "Low complecity single-image super-resolution based on nonnegative neighbor embedding" 2012
9 W. T. Freeman, "Learning low-level vision" 40 (40): 25-47, 2000
10 C. E. Duchon, "Lanczos filtering in one and two dimensions" 1016-1022, 1979
11 M. Irani, "Improving resolution by image registration" 231-239, 1991
12 A. Krizhevsky, "Imagenet calssification with deep convolutiuon neural network" 2012
13 J. Yang, "Image super-resolution via sparse representation" 19 (19): 2010
14 C. Dong, "Image super-resolution using deep convolution networks" 38 (38): 2016
15 B. K. Gunturk, "Eigenface-domain super-resolution for face recognition" 12 (12): 597-606, 2003
16 G. H, Z. L, L. van der Maaten, "Densely connected convolutional networks" 2017
17 K. He, "Deep residual learning for image recognition" 2015
18 Nah, "Deep multi-scale convolutional neural network for dynamic scene deblurring" 2016
19 D. Y. Han, "Comparison of commonly used image interpolation methods" 2013
20 W. Shi, "Cardiac image super-resolution with global correspondence using multi-atlas patchmatch" 9-16, 2013
21 S. Ioffe, "Batch normalization : Accelerating deep network training by reducing internal covariate shift" 1097-1105, 2012
22 J. Kim, "Accurate image super-resolution using very deep convolution networks" 2016
23 C. Dong, "Accelerating the super-resolution convolutional neural network" 2016
24 R. Timofte, "A+: Adjusted anchored neighborhood regression for fast super-resolution" 2014
25 D. Martin, "A database of human segmented natural images and its application to evaluating segmentation algorithms and measuring ecological statistics" 2001
ATSC 3.0 기반 UHD, 이동HD, 디지털라디오 통합전송 연구
실감미디어 전송을 위한 차세대 HTTP 기반 적응적 스트리밍 전송 프로토콜 연구
학술지 이력
연월일 | 이력구분 | 이력상세 | 등재구분 |
---|---|---|---|
2026 | 평가예정 | 재인증평가 신청대상 (재인증) | |
2020-01-01 | 평가 | 등재학술지 유지 (재인증) | |
2017-01-01 | 평가 | 등재학술지 유지 (계속평가) | |
2016-01-15 | 학회명변경 | 한글명 : 한국방송공학회 -> 한국방송∙미디어공학회영문명 : The Korean Society Of Broadcast Engineers -> The Korean Institute of Broadcast and Media Engineers | |
2013-01-01 | 평가 | 등재학술지 유지 (등재유지) | |
2010-01-01 | 평가 | 등재학술지 유지 (등재유지) | |
2007-01-01 | 평가 | 등재학술지 선정 (등재후보2차) | |
2006-01-01 | 평가 | 등재후보 1차 PASS (등재후보1차) | |
2004-01-01 | 평가 | 등재후보학술지 선정 (신규평가) |
학술지 인용정보
기준연도 | WOS-KCI 통합IF(2년) | KCIF(2년) | KCIF(3년) |
---|---|---|---|
2016 | 0.38 | 0.38 | 0.34 |
KCIF(4년) | KCIF(5년) | 중심성지수(3년) | 즉시성지수 |
0.32 | 0.27 | 0.526 | 0.14 |