文献

J-GLOBAL ID：201602213315878838   整理番号：16A1063760

VHR光学リモートセンシング画像における物体検出のための回転不変畳込みニューラルネットワークの学習【Powered by NICT】

Learning Rotation-Invariant Convolutional Neural Networks for Object Detection in VHR Optical Remote Sensing Images

著者 (3件)： Cheng Gong (School of Automation, Northwestern Polytechnical University, Xi’an, China) ,  Zhou Peicheng (School of Automation, Northwestern Polytechnical University, Xi’an, China) ,  Han Junwei (School of Automation, Northwestern Polytechnical University, Xi’an, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 54  号： 12  ページ： 7405-7415  発行年： 2016年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  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： 超高分解能光学リモートセンシング画像における物体検出は,リモートセンシング画像解析のための直面する基本的な問題である。強力な特徴表現の進歩のために,機械学習ベース物体検出が注目を集めている。多数特徴表現が存在するが,それらのほとんどは手製あるいは浅い学習ベース特徴である。オブジェクト検出タスクは更に重要な課題になるので,それらの記述能力が限られまたは低下。最近になって,特に畳込みニューラルネットワーク(CNN),深い学習アルゴリズムは,コンピュータビジョンにおけるそれらの非常に強い特徴表現能力を有していた。自然シーン画像における進歩にもかかわらず,物体の回転変動の問題を効果的に処理することは困難であるので,光学的リモートセンシング画像における物体検出のためのCNN特徴を直接用いることは問題である。この問題を解決するために,本論文では,オブジェクト検出の性能,既存CNNアーキテクチャに基づいた新しい回転不変層を導入し,学習することにより達成されるを進めるための回転不変CNN(RICNN)モデルを学習するために新規で効果的なアプローチを提案した。しかし,多項ロジスティック回帰目的を最適化するだけであることを伝統的なCNNモデルの訓練とは異なり,著者らのRICNNモデルは正則化制約,互いに近接してマッピングできる回転前後の訓練サンプルの特徴表現を明示的にを,回転不変性を達成するによる新しい目的関数を最適化することにより訓練した。訓練を容易にするために,ここではまず,回転不変層を訓練し,つぎに,どの領域特異的に性能をさらに高めるための全RICNNネットワークを微調整した。公的に利用可能な十クラス物体検出データセットの包括的評価は,提案した方法の有効性を示した。Copyright 2016 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： 制約条件 ,  *学習 ,  *不変性 ,  *画像 ,  回転不変性 ,  学習アルゴリズム ,  *畳込み ,  最適化 ,  目的関数 ,  コンピュータビジョン ,  正則化 ,  機械学習
準シソーラス用語： 特徴表現 ,  *リモートセンシング画像 ,  *物体検出 , 【Automatic Indexing@JST】

分類 (3件)： レーダ  (ND13010H) ,  電気探査・検層  (DE10040M) ,  リモートセンシング一般  (AD04000L)

タイトルに関連する用語 (5件)： 光学リモートセンシング ,  物体検出 ,  不変 ,  畳込みニューラルネットワーク ,  学習