文献

J-GLOBAL ID：201702288780238345   整理番号：17A0406462

ハイパースペクトル画像分類のための畳込みニューラルネットワーク【Powered by NICT】

Convolutional neural networks for hyperspectral image classification

著者 (3件)： Yu Shiqi (College of Computer Science and Software Engineering, Shenzhen University, China) ,  Jia Sen (College of Computer Science and Software Engineering, Shenzhen University, China) ,  Xu Chunyan (School of Computer Science and Technology, Nanjing University of Science and Technology, China)
資料名： Neurocomputing  (Neurocomputing)
巻： 219  ページ： 88-98  発行年： 2017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： 強力な視覚モデルとして,畳込みニューラルネットワーク(CNN)は,様々な視覚認識問題における顕著な性能を示し,近年かなりの注目を集めている。しかし,高度に相関したバンドと不十分な訓練サンプルハイパースペクトル画像データのために,ハイパースペクトル画像にCNNモデルを効果的に適用する挑戦的な問題となっている。本論文では,効率的なCNN(セルラニューラルネットワーク)アーキテクチャは,ハイパースペクトル画像分類,元のデータを入力として使用されているその識別能力を向上させるために提案され,最終CNN出力は,予測されたクラス関連結果である。提案したCNNインフラストラクチャはいくつかの明確な利点を有している。,手作りの特徴を必要とする従来の分類法とは異なり,ここで用いたCNNモデルは,エンドツーエンド方法でハイパースペクトル画像解析の問題を扱うように設計されている。第二に,CNNモデルのパラメータは,小さな訓練セットから最適化されているが,神経回路網の過剰適合問題をある程度軽減した。最後に,ハイパースペクトル画像情報を取り扱うために,1×1畳込み層が採用されている,平均プーリング層と大きな脱落率も全CNN手順に用いた。三つのベンチマークデータセット上での実験を行い,提案したCNNアーキテクチャは,他の最新技術手法の性能を上回ることを実証した。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： 神経回路網 ,  視認 ,  *畳込み ,  セルラニューラルネットワーク ,  エンドツーエンド方式 ,  *ニューラルネットワーク ,  計算機アーキテクチャ ,  最適化 ,  インフラストラクチャー
準シソーラス用語： 分類法 ,  視覚モデル ,  *ハイパースペクトル画像 , 【Automatic Indexing@JST】

著者キーワード (3件)： ハイパースペクトル画像の分類 ,  畳込みニューラルネットワーク ,  深い学習

分類 (2件)： ニューロコンピュータ  (JC06010Q) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (2件)： ハイパースペクトル画像分類 ,  畳込みニューラルネットワーク