文献

J-GLOBAL ID：201702252101396415   整理番号：17A1568278

予備分類戦略と改善された構造特徴を用いたリモートセンシングシーン分類【Powered by NICT】

Remote Sensing Scene Classification Using a Preclassification Strategy and an Improved Structural Feature

著者 (3件)： Yuan Li-Xin (College of Computer and Information Engineering, Hohai University, Nanjing, China) ,  Li Shi-Jin (College of Computer and Information Engineering, Hohai University, Nanjing, China) ,  Jiang Ya-Ping (College of Computer and Information Engineering, Hohai 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： 9  ページ： 4094-4103  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： 高分解能リモートセンシング(RS)画像シーンの高いクラス内変動と低クラス間相違のために,高分解能RSシーン分類は挑戦的な仕事である。シーン分類の性能は,識別特徴表現に依存しているだけでなく,適切な分類戦略を必要とする。本論文では,教師なし学習に基づくシーン分類戦略を提案し,シーンを二群に分けた。動的球分割法(DSDM)と呼ばれる分割法を動的球部と内部球メンバシップ評価に基づいている。メンバシップとグループでは,トランザクションを形成するスケール不変特徴変換(SIFT)ディスクリプタの空間的位置と規模を導入後,頻出アイテム集合マイニングと改善された特徴選択基準を特徴量と特徴次元の観点から冗長性を低減し,より識別的構造的特徴ヒストグラムFMS histを最終的に得た。動的球の半径と最終的な最適特徴次元は対応する曲線の変曲点に応じて自動的に選択した。二代表的データセットに基づく実験結果は,提案したDSDMは適切な群を選択できる,提案したFMS histであるバッグのSIFT(スケール不変特徴変換)ベースモデルよりも優れていることを示した。全体論的手法は,シーン分類精度をさらに向上させることができる。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： 教師なし学習 ,  高分解能 ,  分割法 ,  *構造特性 ,  冗長性 ,  画像 ,  統制索引語 ,  *リモートセンシング ,  ヒストグラム ,  特徴選択
準シソーラス用語： 特徴量 ,  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 (5件)： 分類 ,  戦略 ,  構造特徴 ,  リモートセンシング ,  シーン分類