文献

J-GLOBAL ID：201802223567142301   整理番号：18A2039641

リモートセンシング土地被覆分類に適用したOSMデータを用いた訓練例の生成【JST・京大機械翻訳】

Generation of Training Examples Using OSM Data Applied for Remote Sensed Landcover Classification

著者 (4件)： Haufel Gisela (Fraunhofer Institute of Optronics, System Technologies and Image Exploitation (IOSB), Gutleuthausstr. 1, Ettlingen, 76275, Germany) ,  Bulatov Dimitri (Fraunhofer Institute of Optronics, System Technologies and Image Exploitation (IOSB), Gutleuthausstr. 1, Ettlingen, 76275, Germany) ,  Pohl Melanie (Fraunhofer Institute of Optronics, System Technologies and Image Exploitation (IOSB), Gutleuthausstr. 1, Ettlingen, 76275, Germany) ,  Lucks Lukas (Fraunhofer Institute of Optronics, System Technologies and Image Exploitation (IOSB), Gutleuthausstr. 1, Ettlingen, 76275, Germany)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IGARSS  ページ： 7263-7266  発行年： 2018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： 土地被覆分類のための訓練データの導出は,ほとんどすべての教師つき分類タスクにおける重要なステップである。手動アノテーションは非常に時間がかかるので,このプロセスを単純化し,支援することが有用である。自由に利用可能なGISデータ(OSM形状ファイル)を用いることにより,色(4チャネル空中画像)と標高情報の土地被覆分類のための訓練データを生成するための半自動手法を開発した。土地被覆分類のために,著者らは,低いと高い植生,道路と建築物を区別した。空中画像の各画素は,これらのクラスの一つに割り当てられるか,またはラベル付けされなければならない。訓練データの生成のために,OSM形状ファイルにおいて,建築物または農地は多角形によって表現され,その結果,データの膨大な領域にラベルを割り当てることが可能になる。交通インフラや樹木のようなさらなるクラスは,主に多角形チェーンやポイントによって表示される。このデータをラスタし,ラベル付け画素数を増加させるために,グラフベースのセグメンテーションアルゴリズムを画像に適用し,OSMデータをこれらのセグメントと交差させた。不正確さまたは誤った割当を避けるために,著者らは,NDVIおよびnDSMのような特徴から導出された仮定を用いて,選択されたセグメントをチェックした。生成データにより,ランダムフォレスト分類器を訓練し,各セグメントを1つの土地被覆クラスに割り当てた。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： アノテーション ,  道路 ,  画素 ,  *土地被覆 ,  画像 ,  セグメンテーション ,  簡素化 ,  ラスタ ,  *リモートセンシング ,  アルゴリズム ,  農地
準シソーラス用語： ランダムフォレスト ,  空中画像 ,  訓練データ ,  *土地被覆分類 , 【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 (3件)： リモートセンシング ,  土地被覆分類 ,  訓練