文献

J-GLOBAL ID：201802211128495158   整理番号：18A1806447

スタッキングスペクトルパッチと畳み込みニューラルネットワークによるハイパースペクトル画像分類【JST・京大機械翻訳】

Hyperspectral Image Classification With Stacking Spectral Patches and Convolutional Neural Networks

著者 (3件)： Shu Lei (Department of Electrical and Computer Engineering, Western University, London, ON, Canada) ,  McIsaac Kenneth (Department of Electrical and Computer Engineering, Western University, London, ON, Canada) ,  Osinski Gordon R. (Department of Earth Science, Physics and Astronomy, Western University, London, ON, Canada)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 56  号： 10  ページ： 5975-5984  発行年： 2018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： 空間とスペクトル特徴を結合することにより,ハイパースペクトル画像を分類する性能を劇的に改善することが証明された。最近,ハイパースペクトル画像に対する空間スペクトル特徴表現を自動的にモデル化するためにニューラルネットワークを利用することが大きな関心事になっている。本論文は,2つの浅い畳込みニューラルネットワーク(CNNs)を有するハイパースペクトル画像を分類するための単純ではあるが革新的なフレームワークを提案した。第一に,主成分分析白化を,数百のスペクトルバンドの相関に適用した。スペクトル次元を減少させるために主成分を選択する代わりに,すべてのスペクトルバンドを保持するが,スペクトルパッチを積み重ねることによって画像直方体を1チャネルスペクトル量子に圧縮する。この方法では,すべてのスペクトル情報が保持されるだけでなく,ニューラルネットワークを訓練する計算の複雑さも,スペクトル体積を直接入力する従来のネットワークと比較して低減される。さらに,スペクトル量子は,識別クラスにおいて効果的ないくつかの新しいテクスチャパターンを含む。次に,二つの浅いCNNを適用してスペクトル量子を分類した。実験で示されたように,両ネットワークは標準解析法よりも優れている。Copyright 2018 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： スペクトル次元 ,  スペクトルバンド ,  モデリング ,  計算量 ,  *画像 ,  主成分分析 ,  *ネットワーク ,  *ニューラルネットワーク ,  *スペクトル ,  白化
準シソーラス用語： 質感 ,  *ハイパースペクトル画像 ,  スペクトル特徴 ,  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 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z)

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