文献

J-GLOBAL ID：201902210988155594   整理番号：19A2766433

改良CNN-SVM法によるリモートセンシングデータの分類【JST・京大機械翻訳】

Classification for Remote Sensing Data With Improved CNN-SVM Method

著者 (6件)： Sun Xiankun (School of Computer Engineering and Science, Shanghai University, Shanghai, China) ,  Liu Lan (School of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai, China) ,  Li Chengfan (School of Computer Engineering and Science, Shanghai University, Shanghai, China) ,  Yin Jingyuan (Earthquake Administration of Shanghai Municipality, Shanghai, China) ,  Zhao Junjuan (School of Computer Engineering and Science, Shanghai University, Shanghai, China) ,  Si Wen (College of Information and Computer Science, Shanghai Business School, Shanghai, China)
資料名： IEEE Access  (IEEE Access)
巻： 7  ページ： 164507-164516  発行年： 2019年 
JST資料番号： W2422A  ISSN： 2169-3536  資料種別： 逐次刊行物 (A)
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画像(RSI)の効率的分類は,リモートセンシング応用のキーになった。従来の分類法における高い計算コストに取り組むために,本論文では,改良畳込みニューラルネットワーク(CNN)とサポートベクトルマシン(SVM)(CNN-SVM)に基づく新しいRSI分類法を提案した。この方法では,最初に7層CNN構造を設計し,活性化関数としてReLU関数を取った。次に,RSIをCNNモデルに入力し,特徴マップを抽出し,SVM分類器における特徴マップを訓練することによりCNNネットワークの出力層を置き換えた。次に,MNIST手書きディジタルデータセットとUC Mered Land Useリモートセンシングデータセットのシミュレーション実験を例として,この実験において提案した方法をテストし検証した。最後に,中程度分解能画像分光放射計(MODIS)RSIからの火山灰雲(VAC)分類の経験的研究を行い,評価した。実験結果は,従来の方法と比較して,提案した方法が,モデリング訓練においてより低い損失値とより良い一般化を持つことを示した。VACとKappa係数の全分類精度は,それぞれ93.5%と0.8502に達し,望ましいVAC同定と視覚効果を達成した。それは,大量のリモートセンシングデータに分類精度を強化する。Copyright 2019 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： モデリング ,  分解能 ,  シミュレーション ,  分光放射計 ,  *リモートセンシング ,  画像 ,  火山灰 ,  サポートベクトルマシン ,  ネットワーク
準シソーラス用語： 分類精度 ,  特徴マップ ,  畳込みニューラルネットワーク ,  分類法 ,  リモートセンシング画像 ,  *リモートセンシングデータ , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： CNN ,  SVM ,  リモートセンシングデータ ,  分類