Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Effects of Switching Costs in Distributed Problem-Solving Systems Kapitel lesen Erstes Kapitel lesen

2019 | OriginalPaper | Buchkapitel

Recognizing the Order of Four-Scene Comics by Evolutionary Deep Learning

verfasst von : Saya Fujino, Naoki Mori, Keinosuke Matsumoto

Erschienen in: Distributed Computing and Artificial Intelligence, 15th International Conference

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In recent years, comic analysis has become an attractive research topic in the field of artificial intelligence. In this study, we focused on the four-scene comics and applied deep convolutional neural networks (DCNNs) to the data for understanding the order structure. The tuning of the DCNN hyperparameters requires considerable effort. To solve this problem, we propose a novel method called evolutionary deep learning (evoDL) by means of genetic algorithms. The effectiveness of evoDL is confirmed by an experiment conducted to identify structural problems in actual four-scene comics.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel A Novel Sentence Vector Generation Method Based on Autoencoder and Bi-directional LSTM
Nächstes Kapitel A Big Data Platform for Industrial Enterprise Asset Value Enablers
Literatur
1.
Krizhevsky, A., Sutskever, I., Hinton, G.E.: Imagenet classification with deep convolutional neural networks. In: Bartlett, P., Pereira, F.C.N., Burges, C.J.C., Bottou, L., Weinberger, K.Q. (eds.) Advances in Neural Information Processing Systems, vol. 25, pp. 1106–1114 (2012)
2.
Fujino, S., Hatanaka, T., Mori, N., Matsumoto, K.: The evolutionary deep learning based on deep convolutional neural network for the anime storyboard recognition. In: 14th International Conference Distributed Computing and Artificial Intelligence, DCAI 2017, Porto, Portugal, 21–23 June 2017, pp. 278–285 (2017)
3.
Fujino, S., Mori, N., Matsumoto, K.: Deep convolutional networks for human sketches by means of the evolutionary deep learning. In: Joint 17th World Congress of International Fuzzy Systems Association and 9th International Conference on Soft Computing and Intelligent Systems, IFSA-SCIS 2017, Otsu, Japan, 27-30 June 2017, pp. 1–5 (2017)
4.
Takayama, K., Johan, H., Nishita, T.: Face detection and face recognition of cartoon characters using feature extraction. In: Image, Electronics and Visual Computing Workshop, p. 48 (2012)
5.
Burie, J.-C., Nguyen, N.-V., Rigaud, C.: Comic characters detection using deep learning. In: 2nd International Workshop on coMics ANalysis, Processing and Understanding (MANPU) (2017)
6.
Matsumoto, K., Ueno, M., Mori, N.: 2-scene comic creating system based on the distribution of picture state transition. In: Advances in Intelligent Systems and Computing, vol. 290, pp. 459–467 (2014)
7.
Ueno, M.: Computational interpretation of comic scenes. In: Advances in Intelligent Systems and Computing, vol. 474, pp. 387–393 (2016)CrossRef
8.
Ueno, M., Mori, N., Suenaga, T., Isahara, H.: Estimation of structure of four-scene comics by convolutional neural networks. In: Proceedings of the 1st International Workshop on coMics ANalysis, Processing and Understanding, p. 9. ACM (2016)
9.
Yunming, P., Zhining, Y.: The genetic convolutional neural network model based on random sample. Int. J. u- e-Serv. Sci. Technol. 8(11), 317–326 (2015)CrossRef
10.
Suganuma, M., Shirakawa, S., Nagao, T.: A genetic programming approach to designing convolutional neural network architectures. In: Proceedings of the Genetic and Evolutionary Computation Conference, pp. 497–504. ACM (2017)
11.
Wang, M.: Multi-path convolutional neural networks for complex image classification. CoRR, abs/1506.04701 (2015)
12.
Fujino, H.: Compeito ! 1 (Confetti ! 1). Houbunsha (2007)
13.
Metadaten
Titel
Recognizing the Order of Four-Scene Comics by Evolutionary Deep Learning
verfasst von
Saya Fujino
Naoki Mori
Keinosuke Matsumoto
Copyright-Jahr
2019
Buch
Distributed Computing and Artificial Intelligence, 15th International Conference

Print ISBN: 978-3-319-94648-1

Electronic ISBN: 978-3-319-94649-8

Copyright-Jahr: 2019

DOI
https://doi.org/10.1007/978-3-319-94649-8_17

Premium Partner

    Bildnachweise