$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 생성적 적대 신경망을 이용한 함정전투체계 획득 영상의 초고해상도 영상 복원 연구
A Study on Super Resolution Image Reconstruction for Acquired Images from Naval Combat System using Generative Adversarial Networks 원문보기

디지털콘텐츠학회 논문지 = Journal of Digital Contents Society, v.19 no.6, 2018년, pp.1197 - 1205  

김동영 (국방과학연구소)

초록
AI-Helper 아이콘AI-Helper

본 논문에서는 함정전투체계의 EOTS나 IRST에서 획득한 영상을 초고해상도 영상으로 복원한다. 저해상도에서 초고해상도의 영상을 생성하는 생성 모델과 이를 판별하는 판별 모델로 구성된 생성적 적대 신경망을 이용하고, 다양한 학습 파라미터의 변화를 통한 최적의 값을 제안한다. 실험에 사용되는 학습 파라미터는 crop size와 sub-pixel layer depth, 학습 이미지 종류로 구성되며, 평가는 일반적인 영상 품질 평가 지표에 추가적으로 특징점 추출 알고리즘을 함께 사용하였다. 그 결과, Crop size가 클수록, Sub-pixel layer depth가 깊을수록, 고해상도의 학습이미지를 사용할수록 더 좋은 품질의 영상을 생성한다.

Abstract ▼ AI-Helper 아이콘AI-Helper

In this paper, we perform Single Image Super Resolution(SISR) for acquired images of EOTS or IRST from naval combat system. In order to conduct super resolution, we use Generative Adversarial Networks(GANs), which consists of a generative model to create a super-resolution image from the given low-r...

주제어

#딥 러닝   #생성적 적대 신경망   #함정전투체계   #초고해상도 영상 복원  

참고문헌 (20)

  1. Linwei Yue, Huanfeng Shen, Jie Li, Qiangqiang Yuan, Hongyan Zhang, Liangpei Zhang, "Image super-resolution: The techniques, applications, and future," Signal Processing, Vol. 128, pp. 389-408, 2016. 

    상세보기 crossref

  2. Goodfellow, I., Pouget-Abadie, J., Mirza, M., Xu, B., Warde-Farley, D., Ozair, S., ... & Bengio, Y., "Generative adversarial nets," In Advances in neural information processing systems , pp. 2672-2680, 2014. 

  3. Tsai, R. Y., "Multiframe image restoration and registration," Advance Computer Visual and Image Processing, Vol. 1, pp. 317-339, 1984.. 

  4. Villena, Salvador, et al., "Bayesian super-resolution image reconstruction using an ${\el}1$ prior," Image and Signal Processing and Analysis, 2009. 

  5. Irani, Michal, and Shmuel Peleg., "Improving resolution by image registration," CVGIP: Graphical models and image processing, Vol. 53(3), pp. 231-239, 1991. 

    상세보기 crossref

  6. D. Lee, Ho S. Lee, K. Lee, H. L, "Fast Very Deep Convolutional Neural Network with Deconvolution for Super-Resolution," Journal of Korea Multimedia Society, Vol 20(11), pp. 1750-1758, November 2017. 

  7. Ledig, Christian, et al., "Photo-realistic single image super-resolution using a generative adversarial network." arXiv preprint, 2016. 

  8. Reed, Scott, et al., "Generative adversarial text to image synthesis," arXiv preprint arXiv:1605.05396, 2016. 

  9. Lotter, William, Gabriel Kreiman, and David Cox, "Deep predictive coding networks for video prediction and unsupervised learning," arXiv preprint arXiv:1605.08104, 2016. 

  10. Lowe, David G., "Distinctive image features from scale-invariant keypoints." International journal of computer vision, Vol. 60(2), pp.91-110, 2014. 

  11. Bay, Herbert, Tinne Tuytelaars, and Luc Van Gool., "Surf: Speeded up robust features." European conference on computer vision. Springer, Berlin, Heidelberg, 2006. 

  12. Rublee, Ethan, et al., "ORB: An efficient alternative to SIFT or SURF," Computer Vision (ICCV), 2011 IEEE international conference on. IEEE, 2011. 

  13. Leutenegger, Stefan, Margarita Chli, and Roland Y. Siegwart, "BRISK: Binary robust invariant scalable keypoints," Computer Vision (ICCV), 2011 IEEE International Conference on. IEEE, 2011. 

  14. Alahi, Alexandre, Raphael Ortiz, and Pierre Vandergheynst, "Freak: Fast retina keypoint," Computer vision and pattern recognition (CVPR), 2012 IEEE conference on. IEEE, 2012. 

  15. He, Kaiming, et al., "Deep residual learning for image recognition," Proceedings of the IEEE conference on computer vision and pattern recognition. 2016. 

  16. Ioffe, Sergey, and Christian Szegedy, "Batch normalization: Accelerating deep network training by reducing internal covariate shift," arXiv preprint arXiv:1502.03167, 2015. 

  17. Shi, Wenzhe, et al., "Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network," Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016. 

  18. Agustsson, Eirikur, and Radu Timofte, "Ntire 2017 challenge on single image super-resolution: Dataset and study," The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) Workshops. Vol. 3, 2017. 

  19. Lynen, Jan Portmann Simon, "Ethz thermal infrared dataset," 2014. 

  20. DDG-1000 Zumwalt image source [Internet]. Available: http://www.navy.mil/ah_online/zumwalt/images/gallery/151207-N-ZZ999-505%20cropped.jpg 

LOADING...

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

유발과제정보 저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로