文献

J-GLOBAL ID：201902227167694771   整理番号：19A2163768

大規模意味変化検出のためのマルチタスク学習【JST・京大機械翻訳】

Multitask learning for large-scale semantic change detection

著者 (5件)： Caye Daudt Rodrigo (DTIS, ONERA, Universite Paris-Saclay, FR-91123 Palaiseau, France) ,  Caye Daudt Rodrigo (LTCI, Telecom ParisTech, FR-75013 Paris, France) ,  Le Saux Bertrand (DTIS, ONERA, Universite Paris-Saclay, FR-91123 Palaiseau, France) ,  Boulch Alexandre (DTIS, ONERA, Universite Paris-Saclay, FR-91123 Palaiseau, France) ,  Gousseau Yann (LTCI, Telecom ParisTech, FR-75013 Paris, France)
資料名： Computer Vision and Image Understanding  (Computer Vision and Image Understanding)
巻： 187  ページ： Null  発行年： 2019年 
JST資料番号： W0185A  ISSN： 1077-3142  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： 変化検出はリモートセンシングにおける主要な問題の1つであり,利用可能な大規模地球観測データの正確な処理と理解に不可欠である。最近提案された変化検出法の大部分は,この文脈に深い学習をもたらすが,オープンに利用可能な変化検出ラベル化データセットはまだ非常に少なく,提案され,テストされる方法を制限する。本論文では,非常に高分解能画像による意味変化検出のための深い教師つき学習法の利用を可能にする,最初の大規模な非常に高分解能の意味変化検出データセットを提示した。データセットは,共登録されたRGB画像対,画素ごとの変化情報,および土地被覆情報を含んでいる。次に,意味変化検出を実行するために,完全畳込みニューラルネットワークを用いたいくつかの教師つき学習法を提案した。最も注目すべきことに,変化検出と土地被覆マッピングを同時に実行するネットワークアーキテクチャを提示し,一方,予測土地被覆情報を用いて変化を予測するのを助けた。また,異なる損失関数をバランスさせ,最良の全体的結果を達成するハイパーパラメータを設定することなく,このネットワークを訓練することを可能にする逐次訓練方式について述べた。Copyright 2019 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： ネットワークアーキテクチャ ,  畳込み ,  画素 ,  *ネットワーク ,  高分解能 ,  教師つき学習 ,  リモートセンシング ,  予測 ,  土地被覆 ,  損失関数
準シソーラス用語： ハイパーパラメータ ,  畳込みニューラルネットワーク ,  地球観測 ,  *マルチタスク学習 ,  *変化検出 , 【Automatic Indexing@JST】

著者キーワード (5件)： 意味変化検出 ,  高分解能地球観測 ,  完全畳込みネットワーク ,  リモートセンシング ,  マルチタスク学習

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

タイトルに関連する用語 (3件)： 大規模 ,  意味変化 ,  マルチタスク学習