お知らせ 研究会の開催と会場に参加される皆様へのお願い(2020年10月開催~)
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 2020-12-18 14:50
CNNとGANを用いた海面温度データの超解像化の検討
泉 那樹尼崎太樹石田 桂木山真人熊本大NC2020-28
抄録 (和) 本論文では,海面温度データの超解像にディープニューラルネットワーク(DNN)を用いた単一画像超解像(SISR)法を用いる.先行研究では,降水データの超解像にSRCNNなどの畳み込みニューラルネットワーク(CNN)が用いられている.本研究では近年提案されたDNNモデルを用いることで,CNNとGANベースでの超解像度化の比較を行う.用いるモデルとしてSISR用CNNモデルのRRDBNetおよびGANモデルのESRGANに注目する.本評価では,線形変換,SRCNN,RRDBNetとESRGANを評価モデルに使用する.低解像度SSTデータ(ERA20C)から高解像度SSTデータ(OISST)に4倍高解像度化を行う.ルート二乗平均誤差(RMSE)で評価した結果,RRDBNetの生成データが最も精度が高いことがわかった.一方,知覚的品質の評価指標LPIPSとPIではESRGANの生成データが最も精度が高いという結果であった. 
(英) In this paper, we use the deep neural networks (DNN)-based single image super-resolution (SISR) method for the super resolution of sea surface temperature data. By using state of the art DNN technology, we are able to generate high quality super-resolution data. In this evaluation, generated images are compared to OISST with the root mean square error (RMSE) and Learned Perceptual Image Patch Similarity (LPIPS) and Perceptual Index(PI). RRDBNet has a better RMSE than SRCNN and ESRGAN. On the other hand, CNN-based SISR model is not a faithful representation of the ocean currents of OISST. ESRGAN can represent the complex distribution of ocean currents.
キーワード (和) 単一画像超解像 / Convolutional Neural Network / Generative Adversarial Network / RRDBNet / ESRGAN / / /  
(英) Single Image Super-Resolution / Convolutional Neural Network / Generative Adversarial Network / RRDBNet / ESRGAN / / /  
文献情報 信学技報, vol. 120, no. 302, NC2020-28, pp. 1-6, 2020年12月.
資料番号 NC2020-28 
発行日 2020-12-11 (NC) 
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 NC2020-28

研究会情報
研究会 MBE NC  
開催期間 2020-12-18 - 2020-12-18 
開催地(和) オンライン開催 
開催地(英) Online 
テーマ(和) ME, NC, 一般 
テーマ(英)  
講演論文情報の詳細
申込み研究会 NC 
会議コード 2020-12-MBE-NC 
本文の言語 日本語 
タイトル(和) CNNとGANを用いた海面温度データの超解像化の検討 
サブタイトル(和)  
タイトル(英) Super resolution for sea surface temperature with CNN and GAN 
サブタイトル(英)  
キーワード(1)(和/英) 単一画像超解像 / Single Image Super-Resolution  
キーワード(2)(和/英) Convolutional Neural Network / Convolutional Neural Network  
キーワード(3)(和/英) Generative Adversarial Network / Generative Adversarial Network  
キーワード(4)(和/英) RRDBNet / RRDBNet  
キーワード(5)(和/英) ESRGAN / ESRGAN  
キーワード(6)(和/英) /  
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) 泉 那樹 / Tomoki Izumi / イズミ トモキ
第1著者 所属(和/英) 熊本大学 (略称: 熊本大)
Kumamoto University (略称: Kumamoto Univ.)
第2著者 氏名(和/英/ヨミ) 尼崎 太樹 / Motoki Amagasaki / アマガサキ モトキ
第2著者 所属(和/英) 熊本大学 (略称: 熊本大)
Kumamoto University (略称: Kumamoto Univ.)
第3著者 氏名(和/英/ヨミ) 石田 桂 / Kei Ishida / イシダ ケイ
第3著者 所属(和/英) 熊本大学 (略称: 熊本大)
Kumamoto University (略称: Kumamoto Univ.)
第4著者 氏名(和/英/ヨミ) 木山 真人 / Masato Kiyama / キヤマ マサト
第4著者 所属(和/英) 熊本大学 (略称: 熊本大)
Kumamoto University (略称: Kumamoto Univ.)
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: )
第19著者 氏名(和/英/ヨミ) / /
第19著者 所属(和/英) (略称: )
(略称: )
第20著者 氏名(和/英/ヨミ) / /
第20著者 所属(和/英) (略称: )
(略称: )
講演者
発表日時 2020-12-18 14:50:00 
発表時間 25 
申込先研究会 NC 
資料番号 IEICE-NC2020-28 
巻番号(vol) IEICE-120 
号番号(no) no.302 
ページ範囲 pp.1-6 
ページ数 IEICE-6 
発行日 IEICE-NC-2020-12-11 


[研究会発表申込システムのトップページに戻る]

[電子情報通信学会ホームページ]


IEICE / 電子情報通信学会