| 電子情報通信学会 研究会発表申込システム 講演論文 詳細 |
技報閲覧サービス [ログイン] 技報アーカイブ |
| トップに戻る | 前のページに戻る | [Japanese] / [English] |
| 講演抄録／キーワード | ||
| 講演名 | 2020-03-06 14:50 深層学習を用いた映像解析のための高圧縮な動画像符号化手法 ○久保田智規・中尾鷹詔・吉田英司（富士通研）  IMQ2019-39 IE2019-121 MVE2019-60 |
|
| 抄録 | （和） | 本稿では，深層学習を用いた映像解析のための高圧縮な動画像符号化手法を提案する．本手法では，符号化による画像の劣化がどの適度認識精度に影響を与えるかを解析し，認識に重要な画像部分は認識精度に影響しない程度の圧縮率で符号化，認識に不要な画像部分は高圧縮に符号化する．これにより，人間が視聴したり目視確認することを目的とした従来の動画像符号化の情報量割り当て手法に対して高圧縮を実現する． |
| （英） | In this paper, we propose a high-compression video coding method for video analysis using Deep Learning. The method analyzes effects for an accuracy of an inference caused by degradation of image by video coding, and image parts which are important for the accuracy are encoded with compression rate which does not affect the accuracy and image parts which are unnecessary for the accuracy are encoded with a high compression rate. As a result, high compression is realized in comparison with the method encodes for the purpose of human viewing or visual confirmation. | |
| キーワード | （和） | 深層学習 / 畳み込みニューラルネットワーク / 映像解析 / 物体検出 / 画像圧縮 / 説明可能なAI / / |
| （英） | deep learning / convolutional neural network / video analysis / object detection / image compression / XAI / / | |
| 文献情報 | 信学技報, vol. 119, no. 456, IE2019-121, pp. 121-126, 2020年3月. | |
| 資料番号 | IE2019-121 | |
| 発行日 | 2020-02-27 (IMQ, IE, MVE) | |
| ISSN | Print edition: ISSN 0913-5685 Online edition: ISSN 2432-6380 | |
| 著作権に ついて |
技術研究報告に掲載された論文の著作権は電子情報通信学会に帰属します．(許諾番号：10GA0019/12GB0052/13GB0056/17GB0034/18GB0034) | |
| PDFダウンロード | IMQ2019-39 IE2019-121 MVE2019-60 |
|
| 研究会情報 | |
| 研究会 | IE IMQ MVE CQ |
| 開催期間 | 2020-03-05 - 2020-03-06 |
| 開催地（和） | 九州工業大学 戸畑キャンパス |
| 開催地（英） | Kyushu Institute of Technology |
| テーマ（和） | 五感メディア，マルチメディア，メディアエクスペリエンス， 映像符号化，イメージメディアの品質，ネットワークの品質 および信頼性，一般 （魅力工学（AC）研究会協賛） |
| テーマ（英） | |
| 講演論文情報の詳細 | |
| 申込み研究会 | IE |
| 会議コード | 2020-03-IE-IMQ-MVE-CQ |
| 本文の言語 | 日本語 |
| タイトル（和） | 深層学習を用いた映像解析のための高圧縮な動画像符号化手法 |
| サブタイトル（和） | |
| タイトル（英） | A high-compression video coding method for video analysis using Deep Learning |
| サブタイトル（英） | |
| キーワード(1)（和/英） | 深層学習 / deep learning |
| キーワード(2)（和/英） | 畳み込みニューラルネットワーク / convolutional neural network |
| キーワード(3)（和/英） | 映像解析 / video analysis |
| キーワード(4)（和/英） | 物体検出 / object detection |
| キーワード(5)（和/英） | 画像圧縮 / image compression |
| キーワード(6)（和/英） | 説明可能なAI / XAI |
| キーワード(7)（和/英） | / |
| キーワード(8)（和/英） | / |
| 第1著者 氏名（和/英/ヨミ） | 久保田 智規 / Tomonori Kubota / クボタ トモノリ |
| 第1著者 所属（和/英） | 株式会社富士通研究所 (略称： 富士通研) Fujitsu Laboratories LTD. (略称： Fujitsu Lab.) |
| 第2著者 氏名（和/英/ヨミ） | 中尾 鷹詔 / Takanori Nakao / ナカオ タカノリ |
| 第2著者 所属（和/英） | 株式会社富士通研究所 (略称： 富士通研) Fujitsu Laboratories LTD. (略称： Fujitsu Lab.) |
| 第3著者 氏名（和/英/ヨミ） | 吉田 英司 / Eiji Yoshida / ヨシダ エイジ |
| 第3著者 所属（和/英） | 株式会社富士通研究所 (略称： 富士通研) Fujitsu Laboratories LTD. (略称： Fujitsu Lab.) |
| 第4著者 氏名（和/英/ヨミ） | / / |
| 第4著者 所属（和/英） | (略称： ) (略称： ) |
| 第5著者 氏名（和/英/ヨミ） | / / |
| 第5著者 所属（和/英） | (略称： ) (略称： ) |
| 第6著者 氏名（和/英/ヨミ） | / / |
| 第6著者 所属（和/英） | (略称： ) (略称： ) |
| 第7著者 氏名（和/英/ヨミ） | / / |
| 第7著者 所属（和/英） | (略称： ) (略称： ) |
| 第8著者 氏名（和/英/ヨミ） | / / |
| 第8著者 所属（和/英） | (略称： ) (略称： ) |
| 第9著者 氏名（和/英/ヨミ） | / / |
| 第9著者 所属（和/英） | (略称： ) (略称： ) |
| 第10著者 氏名（和/英/ヨミ） | / / |
| 第10著者 所属（和/英） | (略称： ) (略称： ) |
| 第11著者 氏名（和/英/ヨミ） | / / |
| 第11著者 所属（和/英） | (略称： ) (略称： ) |
| 第12著者 氏名（和/英/ヨミ） | / / |
| 第12著者 所属（和/英） | (略称： ) (略称： ) |
| 第13著者 氏名（和/英/ヨミ） | / / |
| 第13著者 所属（和/英） | (略称： ) (略称： ) |
| 第14著者 氏名（和/英/ヨミ） | / / |
| 第14著者 所属（和/英） | (略称： ) (略称： ) |
| 第15著者 氏名（和/英/ヨミ） | / / |
| 第15著者 所属（和/英） | (略称： ) (略称： ) |
| 第16著者 氏名（和/英/ヨミ） | / / |
| 第16著者 所属（和/英） | (略称： ) (略称： ) |
| 第17著者 氏名（和/英/ヨミ） | / / |
| 第17著者 所属（和/英） | (略称： ) (略称： ) |
| 第18著者 氏名（和/英/ヨミ） | / / |
| 第18著者 所属（和/英） | (略称： ) (略称： ) |
| 講演者 | 第1著者 |
| 発表日時 | 2020-03-06 14:50:00 |
| 発表時間 | 25分 |
| 申込先研究会 | IE |
| 資料番号 | IMQ2019-39, IE2019-121, MVE2019-60 |
| 巻番号（vol） | vol.119 |
| 号番号（no） | no.454(IMQ), no.456(IE), no.457(MVE) |
| ページ範囲 | pp.121-126 |
| ページ数 | 6 |
| 発行日 | 2020-02-27 (IMQ, IE, MVE) |
[研究会発表申込システムのトップページに戻る]