文献

J-GLOBAL ID：201702244589498161   整理番号：17A0379313

海洋前線認識への学習と伝達畳込みニューラルネットワーク知識【Powered by NICT】

Learning and Transferring Convolutional Neural Network Knowledge to Ocean Front Recognition

著者 (6件)： Lima Estanislau (Department of Computer Science and Technology, Ocean University of China, Qingdao, China) ,  Sun Xin (Department of Computer Science and Technology, Ocean University of China, Qingdao, China) ,  Dong Junyu (Department of Computer Science and Technology, Ocean University of China, Qingdao, China) ,  Wang Hui (College of Physical and Environmental Oceanography, Ocean University of China, Qingdao, China.) ,  Yang Yuting (Department of Computer Science and Technology, Ocean University of China, Qingdao, China) ,  Liu Lipeng (Department of Computer Science and Technology, Ocean University of China, Qingdao, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 14  号： 3  ページ： 354-358  発行年： 2017年 
JST資料番号： W1397A  ISSN： 1545-598X  CODEN： IGRSBY  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： 本短報において,筆者らは海洋前線認識タスクへの深い学習法を適用し,特に畳込みニューラルネットワーク(CNN)において,どのように検討した。海洋前線認識への深いCNN知識の探索挑戦的な仕事であり,訓練データが非常に少ないからである。微調整による転移学習ステップの配列を用いて,この課題を克服した。コアアイデアは,大規模データ集合からのCNNモデルの深い知識を抽出し,限られたリモートセンシング(RS)画像に関する知識を移動,海洋前線認識タスクにすることである。二種類のRS画像データセット上での実験を行い,異なる視覚特性,すなわち,カラフルとグレーレベルデータ,国立海洋大気庁(NOAA)からダウンロードの両方であった。提案した方法は,bag-of-visual-words,元のCNNモデル,と最終層微調整されたCNNモデルを用いた従来のものづくり記述子と比較した。著者らの方法は,両方のデータ集合において,他の方法よりも有意に高い精度を示した。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： リモートセンシング ,  *畳込み ,  NOAA衛星 ,  画像 ,  *ニューラルネットワーク ,  統制索引語 ,  *学習 ,  海洋大気
準シソーラス用語： 視覚特性 ,  大規模データセット ,  転移学習 ,  微調整 ,  訓練データ , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 海洋前線 ,  学習 ,  畳込みニューラルネットワーク ,  知識