메뉴 건너뛰기
.. 내서재 .. 알림
소속 기관/학교 인증
인증하면 논문, 학술자료 등을  무료로 열람할 수 있어요.
한국대학교, 누리자동차, 시립도서관 등 나의 기관을 확인해보세요
(국내 대학 90% 이상 구독 중)
로그인 회원가입 고객센터 ENG
주제분류
인문학
인문학 일반 역사학 철학 종교학 어문학 기타 인문학
사회과학
사회과학 일반 경영학 관광학 교육학 군사학 문헌정보학 법학 사회학 신문방송학 심리과학 정치외교학 지리학 행정학 경제학 무역학 인류학 기타 사회과학
자연과학
자연과학 일반 물리학 생물학 생활과학 수학·통계학 천문학 지구과학 화학 기타 자연과학
공학
공학 일반 건축공학 기계공학 산업공학 재료·에너지공학 전기전자공학 조선해양공학 화학공학 컴퓨터학 기타공학
의약학
의학 일반 간호학 수의학 약학 한의학 기초의학 임상의학 기타 의약학
농수해양학
농수해양학 일반 농학 수산학 식품과학 임학 축산학 해상운송학 기타 농수해양학
예술체육학
예술 일반 디자인 미술 미용 사진 음악학 의상 체육 공연매체예술 기타 예술체육학
복합학
학제간연구 과학기술학 뇌인지과학 기술정책 기타 복합학

ENG

추천
검색
질문

논문 기본 정보

자료유형
학술저널
저자정보
Minyoung Kyoung (Hanbat National University) Hyunbean Yi (Hanbat National University)
저널정보
대한전자공학회 IEIE Transactions on Smart Processing & Computing IEIE Transactions on Smart Processing & Computing Vol.9 No.5
발행연도
2020.10
수록면
371 - 381 (11page)
DOI
10.5573/IEIESPC.2020.9.5.371

이용수

표지
📌
연구주제
📖
연구배경
🔬
연구방법
🏆
연구결과
AI에게 요청하기
추천
검색
질문

초록· 키워드

오류제보하기
We present a contour recovery framework based on a deep learning model to connect broken contours (breaks) produced by contour detection methods. The idea is that the convolutional neural network iteratively predicts vectors that can grow along the direction of the true contour from the end points of the breaks. For this prediction, we use residual connections training, which models continuous predictions from the previous inference. However, conventional residual connections training is prone to gradually accumulating errors at each inference step. In this work, we propose a ground truth selection algorithm and sub-iteration training to efficiently and reliably train a deep learning model. The ground truth selection extracts a small set of coordinates to represent an actual contour. The sub-iteration training creates the next input that is predicted by additional training of a network replicated from the main network. Our experimental results demonstrate that the ground truth selection creates a ground truth suitable for contour recovery. Moreover, our approach improves the performance of contour detection when applied to the results of existing representative contour detection methods.
#Contour recovery #Contour detection #Deep learning #CNN #Residual connections training

목차

Abstract
1. Introduction
2. Related Work
3. Deep Contour Recovery
4. Experiments
5. Conclusions
References

참고문헌 (29)

참고문헌 신청
W. Shen / 2015 / DeepContour: A Deep Convolutional Feature Learned by Positive-sharing Loss for Contour Detection / Proc. IEEE Conference on Computer Vision and Pattern Recognition :3982~3991 google schola S. Konishi / 2003 / Statistical Edge Detection: Learning and Evaluating Edge Cues / IEEE Transactions on Pattern Analysis and Machine Intelligence 25(1):57~74 google schola D. R. Martin / 2004 / Learning to Detection Natural Image Boundaries using Local Brightness, Color, and Texture Cues / IEEE Transactions on Pattern Analysis and Machine Intelligence 26(5):530~549 google schola P. Arbelaez / 2011 / Contour Detection and Hierarchical Image Segmentation / IEEE Transactions on Pattern Analysis and Machine Intelligence 33(5):898~916 google schola J. J. Kivinen / 2014 / Visual Boundary Prediction : A Deep Neural Prediction Network and Quality Dissection / Proc. Machine Learning Research :512~521 google schola

함께 읽어보면 좋을 논문

논문 유사도에 따라 DBpia 가 추천하는 논문입니다. 함께 보면 좋을 연관 논문을 확인해보세요!

이 논문의 저자 정보

최근 본 자료

전체보기

댓글(0)

0