文献

J-GLOBAL ID：201802248617037312   整理番号：18A2038356

深層学習によるSentinel-L波モードSAR画像の自動地球物理学的分類【JST・京大機械翻訳】

Automated Geophysical Classification of Sentinel-L Wave Mode Sar Images Through Deep-Learning

著者 (7件)： Wang Chen (Laboratoire d’ Oceanographie Physique et Spatiale, Ifremer, Brest, France) ,  Mouche Alexis (Laboratoire d’ Oceanographie Physique et Spatiale, Ifremer, Brest, France) ,  Tandeo Pierre (UMR LabSTICC, Institute Mines-Telecom Atlantique, Brest, France) ,  Stopa Justin (Laboratoire d’ Oceanographie Physique et Spatiale, Ifremer, Brest, France) ,  Chapron Bertrand (Laboratoire d’ Oceanographie Physique et Spatiale, Ifremer, Brest, France) ,  Foster Ralph (Applied Physics Laboratory, 1013 NE 40th St, Seattle, Washington, USA) ,  Vandemark Douglas (Ocean Processes Analysis Laboratory, University of New Hampshire, New Hampshire, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IGARSS  ページ： 1776-1779  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： ESAの2つのSentinel-1衛星は,世界の海洋上で月毎に約120,000の合成開口レーダ波モードを収集する。これは,SAR画像で観測された広範囲の海洋と大気現象のルーチン同定と研究のための新しいユニークな機会を提供する。この目的のために,最初の挑戦は,全体のデータセットの中で重要な地球物理現象の特徴を検出し分類するための効率的で正確な方法を開発することである。本研究では,Inceptionv3モデルの深い学習に基づく畳込みニューラルネットワークアーキテクチャを採用した。SARにより検出可能な10の地球物理学的カテゴリを同定し,各カテゴリに対して320のSentinel-l波モード画像を選択した。これらの画像を用いて,完全な事前訓練されたInceptionv3モデルを再訓練した。予備的結果は,この深い学習方法論が非常に効果的であることを示し,クラスタ分析において0.93以上の10クラスと明確なクラス差別化の全体的正確さを示した。これは,地球規模での地球物理学的現象を解析するために,波動モードビガネットに依存する見通しを開く。さらなる研究は,しばしばいくつかの空気-海洋プロセスの混合を含むあいまいなあるいは未知の画像を扱うために残っている。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： *画像 ,  合成開口レーダ ,  クラスタ分析 ,  畳込み ,  海洋 ,  曖昧さ ,  波動 ,  *地球物理学
準シソーラス用語： 差別化 ,  学習方法 ,  ニューラルネットワークアーキテクチャ ,  SAR画像 ,  *深層学習 , 【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 (5件)： 深層学習 ,  L波 ,  SAR画像 ,  地球物理学 ,  分類