최소 단어 이상 선택하여야 합니다.
최대 10 단어까지만 선택 가능합니다.
다음과 같은 기능을 한번의 로그인으로 사용 할 수 있습니다.
NTIS 바로가기방송공학회논문지 = Journal of broadcast engineering, v.23 no.5, 2018년, pp.614 - 621
나준엽 (인하대학교 정보통신공학과) , 심창훈 (인하대학교 정보통신공학과) , 박인규 (인하대학교 정보통신공학과)
This paper proposes a method of restoring corrupted depth image captured by depth camera through unsupervised learning using generative adversarial network (GAN). The proposed method generates restored face depth images using 3D morphable model convolutional neural network (3DMM CNN) with large-scal...
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
핵심어 | 질문 | 논문에서 추출한 답변 |
---|---|---|
Wasserstein distance를 손실함수로 이용했을 때 어떤 특징이 있는가? | 기존 알고리즘으로 손실된 깊이 정보를 복원해주는 방식과 달리 비감독 학습 방법 중 영상 처리에 특화된 DCGAN[4] 구조를 사용한다. 그리고 DCGAN의 구별자를 좀 더 효과적으로 학습시키기 위해 기존에 사용되어 왔던 Jensen-Shannon divergence에 비해 무른(weak) 특성을 보이는 Wasserstein distance[6]를 손실함수로 이용하여 문제를 해결하고자 한다. DCGAN은 미니맥스 게임기법을 통해 적대적인 학습을 하는 GAN[7]에서의 생성자와 구별자의 신경망 구조에 영상 처리를 위해 convolutional neural network (CNN) 구조를 적용한 딥러닝 기법이다[4]. | |
DCGAN은 무엇인가? | 그리고 DCGAN의 구별자를 좀 더 효과적으로 학습시키기 위해 기존에 사용되어 왔던 Jensen-Shannon divergence에 비해 무른(weak) 특성을 보이는 Wasserstein distance[6]를 손실함수로 이용하여 문제를 해결하고자 한다. DCGAN은 미니맥스 게임기법을 통해 적대적인 학습을 하는 GAN[7]에서의 생성자와 구별자의 신경망 구조에 영상 처리를 위해 convolutional neural network (CNN) 구조를 적용한 딥러닝 기법이다[4]. DCGAN의 미니맥스 게임을 진행하기 위해 3DMM CNN[8][9]을 이용하여 총 23,500개의 학습용 데이터 셋을 만들어주어 미니맥스 게임을 수행한다. | |
DCGAN을 이용하여 RGB 얼굴 영상의 손실된 부분을 복원 시 어떤 문제점이 있는가? | 앞서 설명한 기존 방식이 아닌 DCGAN[4]을 이용하여 RGB 얼굴 영상의 손실된 부분을 복원해주는 연구도 이루어졌다[5]. 하지만 DCGAN의 생성자와 구별자를 학습시키기 위해 미니맥스 게임을 수행할 때 구별자에 Jensen-Shannon divergence를 손실 함수로 사용하여 크게 좋은 성능을 보이지 못한다. |
K. Xu, J. Zhou, and Z. Wang, "A method of hole-filling for the depth map generated by Kinect with moving objects detection," Proceeding of IEEE international Symposium on Broadband Multimedia Systems and Broadcasting, pp. 1-5, June 2012.
L. Feng, L.-M. Po, X. Xu, K.-H. Ng, C.-H. Cheung, and K.-w. Cheung, "An adaptive background biased depth map hole-filling method for Kinect," Proceeding of IEEE Industrial Electronics Society, pp. 2366-2371, November 2013.
S. Ikehata, J. Cho, and K. Aizawa, "Depth map inpainting and super-resolution based on internal statistics of geometry and appearance," Proceeding of IEEE International Conference on Image Processing, pp. 938-942, September 2013.
A. Radford, L. Metz, and S. Chintala, "Unsupervised representation learning with deep convolutional generative adversarial networks," Proceeding of International Conference on Learning Representations, May 2016.
R. A. Yeh, C. Chen, T. Yian Lim, A. G. Schwing, M. Hasegawa-Johnson, and M. N. Do, "Semantic image inpainting with deep generative models," Proceeding of IEEE Conference on Computer Vision and Pattern Recognition, July 2017.
M. Arjovsky, S.Chintala, and L. Bottou, "Wasserstein GAN," Proceeding of International Conference on Machine Learning, vol. 70, pp.214-223, August. 2017.
I. Goodfellow, J. Pouget-Abadie, M. Mirza, B. Xu, D.Warde-Farley, S. Ozair, A. Courville, and Y. Bengio, "Generative adversarial networks," Proceeding of Advances in Neural Information Processing Systems, December 2014.
A. T. Tran, T. Hassner, I. Masi, and G. Medioni, "Regressing robust and discriminative 3D morphable models with a very deep neural net-work," Proceeding of IEEE Conference on Computer Vision and Pattern Recognition, July 2017.
C. Cao, Y. Weng, S. Zhou, Y. Tong, and K.Zhou, "FaceWarehouse: a 3D facial expression database for visual computing," IEEE Transaction on Visualization and Computer Graphics, vol. 20, no. 3, pp. 413-425, March 2014.
P. Paysan, R. Knothe, B. Amberg, S. Romdhani, and T. Vetter, "A 3D face model for pose and illumination invariant face recognition," Proceeding of IEEE International Conference on Advanced Video and Signal Based Surveillance, October 2009.
$Intel^{(R)}$ $RealSense^{TM}$ Camera SR300, https://software.intel.com/sites/default/files/managed/0c/ec/realsense-sr300-product-data-sheet-rev-1-0.pdf (accessed August 13, 2018).
※ AI-Helper는 부적절한 답변을 할 수 있습니다.