文献

J-GLOBAL ID：201702233368364449   整理番号：17A0328751

リモートセンシングシーン分類のためのスパース自動符号器による中間レベル特徴表現【Powered by NICT】

Mid-Level Feature Representation via Sparse Autoencoder for Remotely Sensed Scene Classification

著者 (5件)： Li Erzhu (Department of Geographical Information Science and the Key Laboratory for Satellite Mapping Technology and Applications of State Administration of Surveying, Mapping and Geoinformation of China, Nanjing University, Nanjing, China) ,  Du Peijun (Department of Geographical Information Science and the Key Laboratory for Satellite Mapping Technology and Applications of State Administration of Surveying, Mapping and Geoinformation of China, Nanjing University, Nanjing, China) ,  Samat Alim (State Key Laboratory of Desert and Oasis Ecology, Xinjiang Institute of Ecology and Geography, Chinese Academy of Sciences, Urumqi, China) ,  Meng Yaping (Department of Geographical Information Science and the Key Laboratory for Satellite Mapping Technology and Applications of State Administration of Surveying, Mapping and Geoinformation of China, Nanjing University, Nanjing, China) ,  Che Meiqin (Department of Geographical Information Science and the Key Laboratory for Satellite Mapping Technology and Applications of State Administration of Surveying, Mapping and Geoinformation of China, Nanjing University, Nanjing, China)
資料名： IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing  (IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing)
巻： 10  号： 3  ページ： 1068-1081  発行年： 2017年 
JST資料番号： W2259A  ISSN： 1939-1404  CODEN： IJSTHZ  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 特徴表現は,異なる表現は,生データの背後にある変動の異なる説明因子を絡み合いと隠すことができるという事実は機械学習コミュニティにおける古典的な問題である。特にシーン分類のための,その性能は,一般的に,特徴表現の識別能力に依存する。最近,教師なし特徴学習は特徴表現を自動的に学習する能力のため,大きな注目を集めている。しかし,教師なし学習による特徴表現の信頼できる性能は常に大きな数の特徴と中間レベル特徴表現の複雑なフレームワークを必要とする。そのような欠点を緩和するために,本論文では,中間レベル特徴表現の新しい枠組み,教師なし特徴学習プロセスの間に多くの畳込み特徴を学習する必要とせず,いくつかのパラメータ設定を提示した。詳細には,疎なオートエンコーダ,教師なし特徴学習法を用いて入力データセットから比較的少数畳込みの特徴を学習することであると,拡張された特徴は,複数の正規化特徴抽出法により学習された特徴から抽出した誘導体特徴集合を構成した。中間レベル特徴表現段階では,シーン画像の回転と並進による問題解決における標準貯蔵技術の性能低下を避けるために,大域的特徴記述子(ヒストグラムモーメント,平均,分散,標準偏差)を用いて,画像の中間レベル特徴表現を構築した。検証と比較目的のために,提案した方法は,二つの挑戦的な高分解能リモートセンシングデータセットを用いた実験により評価した。結果は,この手法が有効であり,リモートセンシングシーン分類のための強力な性能を示すことを実証した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 畳込み ,  *符号器 ,  学習 ,  *リモートセンシング ,  標準偏差 ,  問題解決 ,  教師なし学習 ,  高分解能 ,  正規化 ,  透視図法 ,  特徴抽出
準シソーラス用語： 性能劣化 ,  学習過程 ,  *特徴表現 ,  *シーン分類 , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： リモートセンシング ,  シーン分類 ,  符号器 ,  特徴表現