文献

J-GLOBAL ID：201802247796395189   整理番号：18A1072449

高分解能リモートセンシング画像分類のためのGaN支援2ストリームニューラルネットワーク【JST・京大機械翻訳】

GAN-Assisted Two-Stream Neural Network for High-Resolution Remote Sensing Image Classification

著者 (6件)： Tao Yiting (The State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China) ,  Xu Miaozhong (The State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China) ,  Xu Miaozhong (Collaborative Innovation Center of Geospatial Technology, Wuhan University, Wuhan 430079, China) ,  Zhong Yanfei (The State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China) ,  Zhong Yanfei (Collaborative Innovation Center of Geospatial Technology, Wuhan University, Wuhan 430079, China) ,  Cheng Yufeng (The 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： 12  ページ： 1328  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： 高分解能衛星画像の能力を改善するために深い学習を用いることは,自動分類における重要なトピックとして最近出現した。深いネットワークは,オブジェクトを同定するために階層的高レベル特徴を追跡する。しかしながら,低レベル特徴から分類精度を強化することはしばしば無視される。そこで,著者らは,監視された残留ネットワーク構造の下で低レベル情報を保持するために,微細空間分解能パンクロ画像を利用する主流を用いて,2ストリームの深い学習ニューラルネットワーク戦略を提案した。補助線は,主ストリームにおけるスペクトル情報を補うために,マルチスペクトル画像から高レベル抽象および識別特徴を抽出するために教師なしネットを採用した。ニューラルネットワークからの様々な特徴抽出タイプを選択し,新しいネットにおいて結合し,組合せ高および低レベル特徴が画像分類に対する優れた解を提供することができた。従来の畳込みニューラルネットワークにおいて,ネットワーク深さの増加は,ネットワーク性能に知覚的に影響しない可能性がある。しかしながら,著者らは,より深いネットの表現能力を開発するために,残差ニューラルネットワークを導入して,特徴抽出におけるネット深さの役割を増加させた。特徴ロバスト性を強化するために,特徴抽出における新しい強化部分を提案した。adversネットは特徴抽出能力を改善し,抽出効率の増加により,データから固有および識別特徴を支援した。衛星画像に関する試験は,著者らの新規ネットの高い全体的精度を示して,正味の深さまたはコンボリューションカーネルの数が分類能力に影響を及ぼすことを証明した。種々の比較試験は,著者らの2ストリーム構造のための構造合理性を証明した。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： *高分解能 ,  特徴抽出 ,  *画像 ,  ロバスト性 ,  *ネットワーク ,  スペクトル ,  自動分類 ,  残差 ,  *ニューラルネットワーク ,  ネットワーク構造 ,  学習 ,  衛星利用画像
準シソーラス用語： *画像分類 ,  分類精度 ,  *リモートセンシング画像 , 【Automatic Indexing@JST】

著者キーワード (6件)： リモートセンシング画像画素分類 ,  2ストリームネット ,  残留ネット ,  GaN ,  教師なし学習 ,  教師付き学習

分類 (3件)： パターン認識  (JE07000S) ,  医用画像処理  (JE04020T) ,  ニューロコンピュータ  (JC06010Q)

引用文献 (46件)：

• Cheng, G.; Zhou, P.; Han, J. Learning rotation-invariant convolutional neural networks for object detection in VHR optical remote sensing images. IEEE Trans. Geosci. Remote Sens. 2016, 54, 7405-7415.
• Byun, Y.; Han, Y.; Chae, T. Image fusion-based change detection for flood extent extraction using bi-temporal very high-resolution satellite images. Remote Sens. 2015, 7, 10347-10363.
• Zhang, Q.; Huang, X.; Zhang, G. Urban Area Extraction by Regional and Line Segment Feature Fusion and Urban Morphology Analysis. Remote Sens. 2017, 9, 663.
• Maboudi, M.; Amini, J.; Hahn, M.; Saati, M. Road Network Extraction from VHR Satellite Images Using Context Aware Object Feature Integration and Tensor Voting. Remote Sens. 2016, 8, 637.
• Huang, Z.; Cheng, G.; Wang, H.; Li, H.; Shi, L.; Pan, C. Building extraction from multi-source remote sensing images via deep deconvolution neural networks. In Proceedings of the 2016 IEEE International Conference Geoscience and Remote Sensing Symposium (IGARSS), Beijing, China, 10-15 July 2016; pp. 1835-1838.

タイトルに関連する用語 (7件)： 高分解能 ,  リモートセンシング画像 ,  分類 ,  GaN ,  支援 ,  ストリーム ,  ニューラルネットワーク