文献

J-GLOBAL ID：201802275403340485   整理番号：18A1072909

高分解能リモートセンシング画像検索のための低次元畳込みニューラルネットワークの学習【JST・京大機械翻訳】

Learning Low Dimensional Convolutional Neural Networks for High-Resolution Remote Sensing Image Retrieval

著者 (4件)： Zhou Weixun (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China) ,  Newsam Shawn (Electrical Engineering and Computer Science, University of California, Merced, CA 95343, USA) ,  Li Congmin (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan 430079, China) ,  Shao Zhenfeng (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： 5  ページ： 489  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： 画像検索のための強力な特徴表現を学習することは,リモートセンシングの分野において常に困難な課題である。従来の方法は,時間がかかるだけでなく,リモートセンシング画像の複雑さにより,不満足な性能を達成する傾向がある,低レベルのハンドクレーティング特徴を抽出することに焦点を合わせている。本論文では,高分解能リモートセンシング画像検索(HRRSIR)のための畳込みニューラルネットワーク(CNN)に基づく深い特徴表現を抽出する方法を検討した。この目的のために,HRRSIRのための強力な特徴表現を生成するためのいくつかの有効な方式を提案した。最初の方式において,異なる問題に関して事前に訓練されたCNNを,スクラッチからCNNを訓練するために,わずかにサイズのリモートセンシングデータセットがないので,特徴抽出器として処理した。第二の方式では,リモートセンシングデータセット上で事前訓練されたCNNを最初に微調整することにより,この問題に特異的な学習特徴を調べ,次に畳込み層と三層パーセプトロンに基づく新しいCNNアーキテクチャを提案した。新しいCNNは,事前に訓練され,微細に調整されたCNNよりも少ないパラメータを持ち,限られたラベル付き画像から低次元特徴を学習できる。この方式を,いくつかの挑戦的で公開可能なデータセットについて評価した。結果は,提案した方式,特に新しいCNNが最先端の性能を達成することを示した。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 ,  *画像 ,  計算機アーキテクチャ ,  *リモートセンシング ,  パーセプトロン ,  *画像検索 ,  *畳込み ,  *学習 ,  特徴抽出
準シソーラス用語： 微調整 ,  スクラッチ ,  特徴表現 ,  *畳込みニューラルネットワーク ,  *低次元 ,  *リモートセンシング画像 , 【Automatic Indexing@JST】

著者キーワード (5件)： 画像検索 ,  深い特徴表現 ,  畳み込みニューラルネットワーク ,  伝達学習 ,  多層パーセプトロン

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

引用文献 (44件)：

• Bretschneider, T.; Cavet, R.; Kao, O. Retrieval of remotely sensed imagery using spectral information content. In Proceedings of the IEEE International Geoscience & Remote Sensing Symposium, Toronto, ON, Canada, 24-28 June 2002; pp. 2253-2255.
• Scott, G.J.; Klaric, M.N.; Davis, C.H.; Shyu, C.R. Entropy-balanced bitmap tree for shape-based object retrieval from large-scale satellite imagery databases. IEEE Trans. Geosci. Remote Sens. 2011, 49, 1603-1616.
• Shao, Z.; Zhou, W.; Zhang, L.; Hou, J. Improved color texture descriptors for remote sensing image retrieval. J. Appl. Remote Sens. 2014, 8, 83584.
• Zhu, X.; Shao, Z. Using no-parameter statistic features for texture image retrieval. Sens. Rev. 2011, 31, 144-153.
• Aptoula, E. Remote sensing image retrieval with global morphological texture descriptors. IEEE Trans. Geosci. Remote Sens. 2014, 52, 3023-3034.

タイトルに関連する用語 (6件)： 高分解能 ,  リモートセンシング ,  画像検索 ,  低次元 ,  畳込みニューラルネットワーク ,  学習