文献

J-GLOBAL ID：201802282569542802   整理番号：18A1072130

存在と背景学習アルゴリズムを用いた都市域における航空機搭載LIDARデータの1クラス分類【JST・京大機械翻訳】

One-Class Classification of Airborne LiDAR Data in Urban Areas Using a Presence and Background Learning Algorithm

著者 (6件)： Ao Zurui (Key Laboratory of 3D Information Acquisition of Education Ministry, School of Resources, Environment and Tourism, Capital Normal University, Beijing 100048, China) ,  Su Yanjun (State Key Laboratory of Vegetation and Environmental Change, Institute of Botany, Chinese Academy of Sciences, Beijing 100093, China) ,  Su Yanjun (Sierra Nevada Research Institute, School of Engineering, University of California, Merced, CA 95343, USA) ,  Li Wenkai (Guangdong Key Laboratory for Urbanization and Geo-simulation, School of Geography and Planning, Sun Yat-sen University, Guangzhou 510275, China) ,  Guo Qinghua (State Key Laboratory of Vegetation and Environmental Change, Institute of Botany, Chinese Academy of Sciences, Beijing 100093, China) ,  Zhang Jing (Key Laboratory of 3D Information Acquisition of Education Ministry, School of Resources, Environment and Tourism, Capital Normal University, Beijing 100048, China)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 9  号： 10  ページ： 1001  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： 都市域における光検出と測距(LiDAR)データの自動分類は,三次元(3D)構築モデルの生成や電力線の監視など多くの応用にとって非常に重要である。従来の教師つき分類法は,信頼できる分類器を構築するためにすべてのクラスの訓練サンプルを必要とする。しかし,完全な訓練サンプルは通常困難であり,収集するのに費用がかかり,一般的な環境は,関心のあるクラスに対する訓練サンプルのみが利用可能であり,そこでは伝統的な教師つき分類法が不適切である可能性がある。本研究では,都市シナリオにおけるLiDARデータを分類するために,新しい1クラス分類アルゴリズム,すなわち,存在および背景学習(PBL)アルゴリズムを用いる可能性を検討した。結果は,逆伝搬(BP)ニューラルネットワーク(PBL-BP)によって実装されたPBLアルゴリズムが,非常に高い精度で空中LiDAR点雲から単一クラス(例えば,建物,樹木,地形,電力線など)を効果的に分類できることを実証した。PBL-BP分類結果からのすべてのクラスの平均Fスコアは0.94であり,それは1クラスサポートベクトルマシン(SVM),バイアスSVM,および最大エントロピー法(それぞれ0.68,0.82および0.93)からのものより高かった。さらに,PBL-BPアルゴリズムは,マルチクラスSVM法に匹敵する全体精度をもたらした。したがって,この方法はLiDAR点雲の分類に非常に有望である。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： *学習アルゴリズム ,  *学習 ,  バイアス ,  送電線 ,  *アルゴリズム ,  距離測定 ,  *都市 ,  自動分類 ,  ニューラルネットワーク ,  *都市域 ,  三次元
準シソーラス用語： スコア ,  教師付き分類 ,  *航空機搭載 , 【Automatic Indexing@JST】

著者キーワード (4件)： ライダ ,  1クラス分類 ,  存在と背景学習アルゴリズム ,  リモートセンシング

分類 (1件)： パターン認識  (JE07000S)

引用文献 (65件)：

• Niemeyer, J.; Rottensteiner, F.; Soergel, U. Contextual classification of LiDAR data and building object detection in urban areas. ISPRS J. Photogramm. Remote Sens. 2014, 87, 152-165.
• Tian, S.; Zhang, X.; Tian, J.; Sun, Q. Random forest classification of wetland landcovers from multi-sensor data in the arid region of Xinjiang, China. Remote Sens. 2016, 8, 954.
• Su, Y.; Guo, Q.; Collins, B.M.; Fry, D.L.; Hu, T.; Kelly, M. Forest fuel treatment detection using multi-temporal airborne LiDAR data and high-resolution aerial imagery: A case study in the sierra nevada mountains, California. Int. J. Remote Sens. 2016, 37, 3322-3345.
• Wu, B.; Yu, B.; Wu, Q.; Yao, S.; Zhao, F.; Mao, W.; Wu, J. A graph-based approach for 3d building model reconstruction from airborne LiDAR point clouds. Remote Sens. 2017, 9, 92.
• Charaniya, A.P.; Manduchi, R.; Lodha, S.K. Supervised Parametric Classification of Aerial LiDAR Data. In Proceedings of the CVPRW, Washington, DC, USA, 27 June-2 July 2004; p. 30.

タイトルに関連する用語 (6件)： 背景 ,  学習アルゴリズム ,  都市域 ,  航空機搭載 ,  LIDARデータ ,  1クラス分類