文献

J-GLOBAL ID：201802257512818210   整理番号：18A2039038

多クラス焦点損失を持つCNNを用いた稀な建築変化の分類【JST・京大機械翻訳】

Classification of Rare Building Change Using CNN with Multi-Class Focal Loss

著者 (4件)： Nemoto Keisuke (Satellite Business Division, PASCO CORPORATION (Japan), 4-9-6 Aobadai, Megro-ku, Tokyo, 153-0042, Japan) ,  Hamaguchi Ryuhei (Satellite Business Division, PASCO CORPORATION (Japan), 4-9-6 Aobadai, Megro-ku, Tokyo, 153-0042, Japan) ,  Imaizumi Tomoyuki (Satellite Business Division, PASCO CORPORATION (Japan), 4-9-6 Aobadai, Megro-ku, Tokyo, 153-0042, Japan) ,  Hikosaka Shuhei (Satellite Business Division, PASCO CORPORATION (Japan), 4-9-6 Aobadai, Megro-ku, Tokyo, 153-0042, Japan)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2018  号： IGARSS  ページ： 4663-4666  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： リモートセンシングにおいて,監督された深い学習は,最近,情報抽出の大きな成功を達成した。しかし,それは効果的に学習するためには大きな訓練データを必要とする。建築変化分類において,そのような訓練データを収集することは,正のクラスの希少性のために,非常に高価で時間がかかるプロセスである。まれなクラスを含むデータセットの学習は,2つの主要な問題,1)クラス不均衡と2)オーバーフィッティングを持っている。本研究では,建物変化分類における焦点損失の有効性を検証した。実験結果から,クラス不均衡だけでなく,オーバーフィッティングも焦点損失のダウン重み付け効果に影響を及ぼす。焦点損失は各クラスの学習速度を自動的に調整する。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： *重みづけ ,  情報抽出 ,  リモートセンシング
準シソーラス用語： 訓練データ , 【Automatic Indexing@JST】

分類 (3件)： 専用演算制御装置  (JC04030Y) ,  音声処理  (JE05000E) ,  符号理論  (ND02030R)

タイトルに関連する用語 (6件)： クラス ,  焦点 ,  損失 ,  CNN ,  建築 ,  分類