| *商品について |
|
表紙はついていません（本文のみ中綴じ製本です）。
号単位でも購入できます。
すべてモノクロ印刷です。
Extended Summaryはついていません。
|
 |
| ・会員価格 ¥550 |
| ・一般価格 ¥770 |
|
|
| こちらはBookPark「電気学会 電子図書館（IEEJ Electronic Library）」による文献紹介ページです。 |
|
 |
 |
電気学会会員の方はこちらから一旦ログインのうえ、マイページからお入りください。
会員価格で購入することができます。
|
|
| 非会員の方はログインの必要はありません。このまま お進みください。 |
|
|
| ■論文No. |
|
| ■ページ数 |
8ページ |
■発行日
|
2024/06/01 |
| ■タイトル |
全方位画像のセマンティックセグメンテーションと距離推定の同時学習 |
| ■タイトル(英語) |
Simultaneously Learning Semantic Segmentation and Depth Estimation from Omnidirectional Image |
| ■著者名 |
横田 敦志（広島市立大学大学院情報科学研究科），李 仕剛（広島市立大学大学院情報科学研究科），神尾 武司（広島市立大学大学院情報科学研究科），小作 敏晴（広島市立大学大学院情報科学研究科） |
| ■著者名(英語) |
Atsushi Yokota (Graduate School of Information Sciences, Hiroshima City University), Shigang Li (Graduate School of Information Sciences, Hiroshima City University), Takeshi Kamio (Graduate School of Information Sciences, Hiroshima City University), Toshiharu Kosaku (Graduate School of Information Sciences, Hiroshima City University) |
| ■価格 |
会員 ¥550 一般 ¥770 |
| ■書籍種類 |
論文誌(論文単位) |
| ■グループ名 |
【C】電子・情報・システム部門 |
| ■本誌 |
電気学会論文誌C（電子・情報・システム部門誌） Vol.144 No.6 （2024）
|
| ■本誌掲載ページ |
560-567ページ |
| ■原稿種別 |
論文／日本語 |
| ■電子版へのリンク |
https://www.jstage.jst.go.jp/article/ieejeiss/144/6/144_560/_article/-char/ja/
|
| ■キーワード |
全方位画像，マルチタスク学習，セマンティックセグメンテーション，距離推定 omnidirectional image，multi-task learning，semantic segmentation，depth estimation |
| ■要約(日本語) |
|
| ■要約(英語) |
In multi-task learning, the goal is to improve the generalization performance of the model by exploiting the information shared across tasks. In this paper, we propose a neural network that simultaneously learns depth estimation and semantic segmentation of the environment from omnidirectional images captured by an omnidirectional camera. Our proposed neural network is developed by modifying UniFuse network, which was originally developed for depth estimation from omnidirectional images, to simultaneously learn depth estimation and semantic segmentation of the environment by exploiting the features shared between depth estimation and semantic segmentation tasks. In the experiments, the proposed method was evaluated with the well-known Stanford 2D3D Dataset. High accuracy for the two tasks was not obtained with a single network. However, if either of the two tasks was prioritized in learning, the synergistic effect of the two tasks with shared feature maps would improve accuracy, resulting in better results than a single-task network. It showed the effectiveness of simultaneously learning semantic segmentation and depth estimation from omnidirectional images. |
| ■版 型 |
A4 |
|
|
|
