文献

J-GLOBAL ID：201802214582730648   整理番号：18A1073139

次元視点からのCNNに基づく高分解能リモートセンシング画像検索【JST・京大機械翻訳】

High-Resolution Remote Sensing Image Retrieval Based on CNNs from a Dimensional Perspective

著者 (6件)： Xiao Zhifeng (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China) ,  Long Yang (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China) ,  Li Deren (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China) ,  Wei Chunshan (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China) ,  Tang Gefu (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China) ,  Liu Junyi (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 9  号： 7  ページ： 725  発行年： 2017年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 畳込みニューラルネットワーク(CNN)における最近の進歩のため,従来のCNNは,画像検索のための特徴表現として数千のコードを抽出するために採用されてきた。本論文では,高分解能リモートセンシング画像表現のためのより強力な特徴を,数10個の符号のみを用いて学習できることを提案した。この手法は検索精度を改善し,時間と記憶の要求を減少させることができる。この目的を達成するために,最初に,著者らの改良CNNフレームワークを介して数10から数千のコードを用いて異なる次元を持つ一連の特徴の学習を調べた。次に,主成分分析(PCA)を導入して,従来のCNNによって学習された高次元リモートセンシング画像特徴コードを圧縮した。包括的な比較を行い,PCA圧縮と同様に改良されたCNNによって学習された異なる次元の特徴符号に基づく検索性能を評価した。さらに,改良CNNフレームワークによって学習された低次元特徴表現の強力な能力を実証するために,特徴可視化を実行することができて,Deep畳込みニューラルネットワーク(DCNNs)フレームワークの性質のより良い理解を提供することができる特徴加重マップ(FWM)を調査した。全てのCNNモデルは,大規模で高分解能のリモートセンシング画像アーカイブを用いてスクラッチから訓練され,公開される。実験結果は,著者らの方法が精度と貯蔵の観点から最先端のCNNフレームワークより優れていることを示した。Copyright 2018 The Author(s). All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 検索効率 ,  *画像検索 ,  高次元 ,  可視化 ,  次元縮小 ,  *高分解能 ,  主成分分析
準シソーラス用語： 最先端 ,  スクラッチ ,  低次元 ,  検索精度 ,  特徴表現 ,  *リモートセンシング画像 , 【Automatic Indexing@JST】

著者キーワード (5件)： リモートセンシング画像検索 ,  ディープコンパクトコード(DCC) ,  特徴加重マップ(FWM) ,  CNNの特徴 ,  次元縮小

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S) ,  ニューロコンピュータ  (JC06010Q)

引用文献 (39件)：

• Yang, Y.; Newsam, S. Geographic image retrieval using local invariant features. IEEE Trans. Geosci. Remote Sens. 2013, 51, 818-832.
• Li, Y.; Zhang, Y.; Tao, C.; Zhu, H. Content-Based High-Resolution Remote Sensing Image Retrieval via Unsupervised Feature Learning and Collaborative Affinity Metric Fusion. Remote Sens. 2016, 8, 709.
• Demir, B.; Bruzzone, L. Hashing-Based Scalable Remote Sensing Image Search and Retrieval in Large Archives. IEEE Trans. Geosci. Remote Sens. 2016, 54, 892-904.
• Bretschneider, T.; Cavet, R.; Kao, O. Retrieval of remotely sensed imagery using spectral information content. In Proceedings of the IEEE International Geoscience and Remote Sensing Symposium, Toronto, ON, Canada, 24-28 June 2002; Volume 4, pp. 2253-2255.
• Geng, W.; Zhang, J.; Zhuo, L.; Liu, J.; Chen, L. Creating Spectral Words for Large-Scale Hyperspectral Remote Sensing Image Retrieval. Pacific Rim Conference on Multimedia; Springer: New York, NY, USA, 2016; pp. 116-125.

タイトルに関連する用語 (6件)： 次元 ,  視点 ,  CNN ,  高分解能 ,  リモートセンシング ,  画像検索