文献

J-GLOBAL ID：201802249547715622   整理番号：18A0707898

リモートセンシング画像のためのCNN転送学習アンサンブルのためのスタッキングアプローチ【JST・京大機械翻訳】

Stacking approach for CNN transfer learning ensemble for remote sensing imagery

著者 (4件)： Korzh Oxana (College of Engineering, Boise State University, Boise, Idaho, USA) ,  Cook Gregory (College of Engineering, Boise State University, Boise, Idaho, USA) ,  Andersen Timothy (College of Engineering, Boise State University, Boise, Idaho, USA) ,  Serra Edoardo (College of Engineering, Boise State University, Boise, Idaho, USA)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： IntelliSys  ページ： 599-608  発行年： 2017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： 本論文では,特にシーン分類のタスクに対して,リモートセンシング画像に対する畳込みニューラルネットワーク(CNN)転送学習アンサンブルのためのスタッキングアプローチを提案した。分類のための一つの特徴ベクトルとしてCNNの集合により生成された特徴の組合せを用いることを提案した。同時に,元のデータセットを異なるアップサンプリングと画像強調法で処理することができ,次に,事前訓練ネットワークからより多くの特徴を得るために使用した。移動学習のための微調整と非微調整アプローチの両方を調べた。著者らは,分類精度を測定するためのベンチマークとして,ブラジルのCoffeシナリオデータセットを選択した。非微調整モデルの場合の提案方法は,89.18%の分類精度を示した。微調整モデルに対して,最良の分類率は96.11%である。著者らは,最近現れたネットワーク(VGG-19および二乗ネット)を,リモートセンシングのための移動学習のタスクに適用することができる方法を分析した。また,特徴の重要性に基づいて特徴選択を用いて分類精度を保存しながら,処理時間とメモリ消費を低減する方法について述べた。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： 特徴選択 ,  ベンチマーク ,  記憶装置 ,  ブラジル連邦共和国 ,  *リモートセンシング ,  ネットワーク ,  *学習 ,  加工時間 ,  画像強調
準シソーラス用語： 分類精度 ,  アップサンプリング ,  特徴ベクトル ,  畳込みニューラルネットワーク ,  シーン分類 ,  *リモートセンシング画像 , 【Automatic Indexing@JST】

分類 (2件)： リモートセンシング一般  (AD04000L) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： リモートセンシング画像 ,  CNN ,  転送 ,  学習 ,  アンサンブル