文献

J-GLOBAL ID：201802228373000531   整理番号：18A1620696

深層学習モデル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 Deep Learning Models

著者 (6件)： Yang Xiaofei (Shenzhen Graduate School, Harbin Institute of Technology, Shenzhen, China) ,  Ye Yunming (Shenzhen Graduate School, Harbin Institute of Technology, Shenzhen, China) ,  Li Xutao (Shenzhen Graduate School, Harbin Institute of Technology, Shenzhen, China) ,  Lau Raymond Y. K. (City University of Hong Kong, Hong Kong) ,  Zhang Xiaofeng (Shenzhen Graduate School, Harbin Institute of Technology, Shenzhen, China) ,  Huang Xiaohui (School of Information Engineering, East China Jiaotong University, Nanchang, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 56  号： 9  ページ： 5408-5423  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： 深い学習は,従来のコンピュータビジョンタスクにおいて大きな成功を達成した。本論文では,ハイパースペクトル画像分類問題を扱うために,深い学習技術を利用した。空間コンテキストのみを調べる従来のコンピュータビジョンタスクとは対照的に,提案手法はハイパースペクトル画像分類を強化するために空間コンテキストとスペクトル相関の両方を利用することができる。特に,4つの新しい深い学習モデル,すなわち,2次元畳込みニューラルネットワーク(2-D-CNN),3-D-CNN,再帰2-D-CNN(R-2-D-CNN),およびハイパースペクトル画像分類のための再帰3-D-CNN(R-3-D-CNN)を提案した。6つの公開可能なデータセットに基づいて厳密な実験を行った。他の最先端の方法との比較評価を通して,著者らの実験結果は,提案した深い学習モデル,特にR-3-D-CNNとR-2-D-CNN深い学習モデルの優位性を確認した。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： *学習モデル ,  二次元 ,  *モデル ,  三次元 ,  モデリング ,  コンピュータビジョン ,  *学習 ,  *スペクトル
準シソーラス用語： 比較評価 ,  最先端 ,  畳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 ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： 深層 ,  学習モデル ,  ハイパースペクトル画像分類