文献

J-GLOBAL ID：201702245947448642   整理番号：17A0320217

種子学習とエッジ有向グラフカットを用いた効率的な海陸セグメンテーション【Powered by NICT】

Efficient sea-land segmentation using seeds learning and edge directed graph cut

著者 (4件)： Cheng Dongcai (National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China) ,  Meng Gaofeng (National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China) ,  Xiang Shiming (National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China) ,  Pan Chunhong (National Laboratory of Pattern Recognition, Institute of Automation, Chinese Academy of Sciences, Beijing 100190, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 207  ページ： 36-47  発行年： 2016年 
JST資料番号： W0360A  ISSN： 0925-2312  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 光学リモートセンシング画像における海面と陸域の分離海岸線抽出とそれに続く沿岸と沖合物体検出に非常に重要でまだ非常に魅力的である。土地海域は複雑で類似した強度と集合組織分布を共有するときに最先端の方法はしばしば失敗する。本論文では,自然な着色(赤-緑-青,RGB)画像からの海洋及び陸を分割するためのグラフカット(GC)に基づく教師つき手法を提案した。,そのノードを構築した画像であるスーパーピクセルとスーパーピクセルを持つグラフモデルへ分割した。各スーパーピクセルノードは複数特徴記述子によってコードされている,確率的サポートベクトルマシン(SVM)を自動種子選択のための訓練した。これらの種子は,GCのための事前モデルを構築するために使用されるであろう。GCにおけるモデリング境界項と,いくつかの薄くて細長い構造物の微細な結果を得るために隣接するスーパーピクセル間のエッジ情報を組み込んだ。Google Earthからカラー自然画像の集合上の実験は筆者らの手法が定量的と視覚性能の観点から,最先端の方法より優れていることを実証した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： 画像 ,  モデリング ,  海岸線 ,  *有向グラフ ,  海域 ,  海面 ,  海洋 ,  *セグメンテーション ,  サポートベクトルマシン
準シソーラス用語： 自然画像 ,  グーグルアース ,  特徴記述子 ,  グラフモデル ,  *グラフカット ,  物体検出 , 【Automatic Indexing@JST】

著者キーワード (5件)： 海陸セグメンテーション ,  グラフカット(GC) ,  スーパピクセル ,  多特徴記述子 ,  種子学習

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 種子 ,  学習 ,  エッジ ,  有向グラフ ,  セグメンテーション