文献

J-GLOBAL ID：201802264105835768   整理番号：18A0382934

分類のための深い畳込みニューラルネットワークによるハイパースペクトル画像再構成【Powered by NICT】

Hyperspectral image reconstruction by deep convolutional neural network for classification

著者 (6件)： Li Yunsong (State Key Laboratory of Integrated Service Network, Xidian University, Xi’an 710071, China) ,  Li Yunsong (Joint Laboratory of High Speed Multi-source Image Coding and Processing, Xidian University, Xi’an 710071, China) ,  Xie Weiying (State Key Laboratory of Integrated Service Network, Xidian University, Xi’an 710071, China) ,  Xie Weiying (Joint Laboratory of High Speed Multi-source Image Coding and Processing, Xidian University, Xi’an 710071, China) ,  Li Huaqing (State Key Laboratory of Integrated Service Network, Xidian University, Xi’an 710071, China) ,  Li Huaqing (Joint Laboratory of High Speed Multi-source Image Coding and Processing, Xidian University, Xi’an 710071, China)
資料名： Pattern Recognition  (Pattern Recognition)
巻： 63  ページ： 371-383  発行年： 2017年 
JST資料番号： D0611A  ISSN： 0031-3203  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： ハイパースペクトル画像(HSI)の空間的特徴は最近ますます注目を集めている。深い畳込みニューラルネットワーク(CNN)を考慮して空間が特徴の階層を抽出することができ,本論文では,空間的特徴を向上させるための深いCNNに基づくHSI再構成モデルを提案した。枠組みを初めて豊富な情報を用いた訓練ラベルを定義するバンド選択のための新しい空間特徴ベース戦略を提案した。,ハイパースペクトルデータはHSI再構成に適した最適化パラメータを有するモデルを構築するために深いCNNにより訓練される。最後に,再構成画像は非常に単純な構造を用いた効率的な極端学習機械(ELM)により分類される。実験結果は,CNNとELMに基づいて構築されたフレームワークは,少数の訓練サンプルの競争力のある性能を提供することを示した。特に,再構成画像を用いることにより,ELMの平均精度は30.04%の高さに改善できる,が最先端の分類器より百~倍速いのに十を行う。Copyright 2018 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： *画像再構成 ,  モデル ,  *再構成 ,  最適化 ,  構成モデル ,  パターン分類
準シソーラス用語： 最先端 ,  極度学習機械 ,  再構成画像 ,  ハイパースペクトルデータ ,  *ハイパースペクトル画像 ,  *ハイパースペクトル ,  *畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： ハイパースペクトル画像 ,  深い畳込みニューラルネットワーク ,  極端学習機械 ,  再構築 ,  バンド選択 ,  パターン分類

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 (4件)： 分類 ,  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 ,  再構成