文献

J-GLOBAL ID：201902263761105902   整理番号：19A1381116

マルチスケール特徴-畳込みニューラルネットワークに基づくリモートセンシング画像における雲検出【JST・京大機械翻訳】

Cloud Detection in Remote Sensing Images Based on Multiscale Features-Convolutional Neural Network

著者 (4件)： Shao Zhenfeng (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan, China) ,  Pan Yin (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan, China) ,  Diao Chunyuan (Department of Geography and GIScience, University of Illinois at Urbana-Champaign, Urbana, IL, USA) ,  Cai Jiajun (State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University, Wuhan, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 57  号： 6  ページ： 4062-4076  発行年： 2019年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  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における雲検出は挑戦的であるが,重要なタスクである。基礎となる表面の多様性と複雑さのために,現在の雲検出法の大部分は,薄い雲領域を検出するのに困難である。実際に,特に雲除去とターゲット検出タスクにおいて,薄い雲を厚い雲から区別することは非常に意味がある。したがって,著者らは,多重スケール特徴畳込みニューラルネットワーク(MF-CNN)に基づく方法を提案して,同時にリモートセンシング画像の薄い雲,厚い雲,および非雲画素を検出した。様々なレベルの雲量を持つLandsat8衛星画像を用いて,提案したMF-CNNモデルの有効性を実証した。著者らは,最初に,複合スペクトル情報を得るために,ランドサット8画像の可視,近赤外,短波,巻雲,および熱赤外バンドをスタックした。次に,MF-CNNモデルを用いて,入力画像のマルチスケール大域的特徴を学習した。特徴学習の過程で得られた高水準意味情報を,画像を厚い,薄い,および非雲領域に分類するために,低レベル空間情報と統合した。提案したモデルの性能を,定性的および定量的側面の両方において,種々の一般的に使用されている雲検出法の性能と比較した。他の雲検出法と比較して,実験結果は,著者らの提案方法が,厚くて薄い雲だけでなく全体の雲領域においてより良い性能を持つことを示した。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： 近赤外線 ,  *画像 ,  検出法 ,  モデル ,  有効性 ,  画素 ,  短波 ,  巻雲 ,  学習 ,  LANDSAT ,  衛星利用画像
準シソーラス用語： 複雑性 ,  *リモートセンシング画像 ,  *畳込みニューラルネットワーク ,  *マルチスケール , 【Automatic Indexing@JST】

分類 (1件)： リモートセンシング一般  (AD04000L)

タイトルに関連する用語 (4件)： マルチスケール ,  畳込みニューラルネットワーク ,  リモートセンシング画像 ,  雲