文献

J-GLOBAL ID：201702264810552972   整理番号：17A1917482

改良された高速R CNNに基づくSAR画像中の船舶検出【Powered by NICT】

Ship detection in SAR images based on an improved faster R-CNN

著者 (3件)： Li Jianwei (Naval Aeronautical and Astronautical University, Department of Electronic and Information Engineering) ,  Qu Changwen (Naval Aeronautical and Astronautical University, Department of Electronic and Information Engineering) ,  Shao Jiaqi (Naval Aeronautical and Astronautical University, Department of Electronic and Information Engineering)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： BIGSARDATA  ページ： 1-6  発行年： 2017年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 深層学習は,最近多様なオブジェクト検出タスクの印象的な性能をもたらした。しかし,SAR画像の船舶検出における適用は稀である。深層学習この分野に基づく検出器を紹介することである。特異的ドメインにおけるコンピュータビジョンと限界における最新高速R CNN検出器の利点を解析した。この解析が与えられたとき,新しいデータセットと標準高速R CNNアルゴリズムを改善する四つの戦略を提案した。データセットは様々な環境における船舶,画像分解能,船舶サイズ,海況,およびセンサタイプなどを含んでいたことから,それらのアルゴリズムを評価するために研究者のためのベンチマークとして使用できる。戦略は,特徴融合,転移学習,ハード負マイニング,および他の実装の詳細を含んでいる。データセット上でいくつかの比較とアブレーション実験を行った。結果は,著者らの提案した方法がより良い精度と少ないテストコストを得ることを示した。深層学習に基づくSAR船舶検出法は,将来の研究の焦点である必要があると信じている。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： 検出法 ,  アブレーション ,  コンピュータビジョン ,  アルゴリズム ,  海況 ,  ベンチマーク ,  *船舶 ,  検出器 ,  *高速度
準シソーラス用語： 転移学習 ,  特徴融合 ,  画像解像度 ,  物体検出 ,  深層学習 ,  *SAR画像 , 【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 (3件)： CNN ,  SAR画像 ,  船舶