文献

J-GLOBAL ID：201902257350380720   整理番号：19A2402127

リモートセンシングシーン表現のための深いモデルと擬似クラスのエンドツーエンド結合教師なし学習【JST・京大機械翻訳】

An End-to-End Joint Unsupervised Learning of Deep Model and Pseudo-Classes for Remote Sensing Scene Representation

著者 (5件)： Gong Zhiqiang (National Key Laboratory of Science and Technology on ATR, National University of Defense Technology, Changsha, 410073, China) ,  Zhong Ping (National Key Laboratory of Science and Technology on ATR, National University of Defense Technology, Changsha, 410073, China) ,  Hu Weidong (National Key Laboratory of Science and Technology on ATR, National University of Defense Technology, Changsha, 410073, China) ,  Liu Fang (National Key Laboratory of Science and Technology on ATR, National University of Defense Technology, Changsha, 410073, China) ,  Hui Bingwei (National Key Laboratory of Science and Technology on ATR, National University of Defense Technology, Changsha, 410073, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： IJCNN  ページ： 1-7  発行年： 2019年 
JST資料番号： W2441A  資料種別： 会議録 (C)
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： 本研究では,リモートセンシングシーン表現のための擬似クラスを持つ畳込みニューラルネットワーク(CNN)に基づく新しいエンドツーエンド深教師なし学習法を開発した。最初に,擬似クラスの中心として中心点を導入し,訓練サンプルを中心点に基づく擬似ラベルで割り当てることができる。したがって,シーンから特徴を抽出するために使用されるCNNモデルは,擬似ラベルで監督されることができる。さらに,試料と対応する擬似中心点間の分散を減少させるために,擬似中心損失を開発した。訓練サンプルによる中心点と訓練プロセスにおける中心点によるCNNモデルの両方を同時に更新することができるので,擬似中心損失は重要である。最後に,サンプルと擬似ラベルにより定式化された擬似中心損失と擬似ソフトマックス損失の共同学習を,シーンから識別表現を得るために教師なし遠隔センシングシーン表現のために開発した。実験は,提案した方法の有効性を検証するために,2つの一般的に使用されているリモートセンシングシーンデータセット上で行い,実験結果は,他の最先端の方法と比較した場合,提案した方法の優位性を示した。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： *リモートセンシング ,  *モデル ,  定式化 ,  *教師なし学習 ,  *エンドツーエンド方式 ,  有効性
準シソーラス用語： 協調学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (8件)： リモートセンシング ,  シーン ,  表現 ,  モデル ,  擬似 ,  クラス ,  エンドツーエンド ,  教師なし学習