文献

J-GLOBAL ID：201902267525914990   整理番号：19A2112313

リモートセンシングシーン分類のためのスケールフリー畳込みニューラルネットワーク【JST・京大機械翻訳】

Scale-Free Convolutional Neural Network for Remote Sensing Scene Classification

著者 (4件)： Xie Jie (College of Electrical and Information Engineering, Hunan University, Changsha, China) ,  He Nanjun (College of Electrical and Information Engineering, Hunan University, Changsha, China) ,  Fang Leyuan (College of Electrical and Information Engineering, Hunan University, Changsha, China) ,  Plaza Antonio (Department of Technology of Computers and Communications, Hyperspectral Computing Laboratory, Escuela Polite ́cnica, University of Extremadura, Ca ́ceres, Spain)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 57  号： 9  ページ： 6916-6928  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： 事前に訓練された畳込みニューラルネットワーク(CNNs)の微調整は,特に限定された数のラベル付けデータセットが訓練目的に利用できる場合,遠隔センシング画像シーン分類のための効果的な戦略であることが証明されている。しかし,このような微細同調プロセスは,入力画像が,事前訓練されたCNNモデルにおいて完全に接続された層(FCL)により必要とされるサイズの入力ベクトルを生成するために固定サイズに存在することをしばしば必要とする。このようなレジresiプロセスはシーンにおける重要な情報をしばしば捨て,分類性能を悪化させる。この問題に対処するために,本論文では,リモートセンシングシーン分類のためのスケールフリーCNN(SF-CNN)を導入した。具体的には,CNNモデルにおけるFCLを最初に畳込み層に変換し,入力画像を任意のサイズにするだけでなく,従来のスライディングウィンドウに基づく戦略を用いて識別特徴を抽出する能力を保持した。次に,大域平均プール(GAP)層を最終畳込み層の後に追加し,任意のサイズの入力画像を均一サイズの特徴マップに写像できるようにした。最後に,結果として得られた特徴マップを用いて,最終分類のためのソフトマックス層に供給される新しいFCLを生成した。いくつかの実際のデータセットを用いて行った実験結果は,事前訓練されたCNNベースのものを含むいくつかのよく知られた分類法に対する提案したSF-CNN法の優位性を実証した。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： 同調 ,  *畳込み ,  *リモートセンシング ,  ベクトル
準シソーラス用語： 分類法 ,  特徴マップ ,  スライディングウィンドウ ,  リモートセンシング画像 ,  微調整 ,  *畳込みニューラルネットワーク ,  *シーン分類 , 【Automatic Indexing@JST】

分類 (2件)： リモートセンシング一般  (AD04000L) ,  図形・画像処理一般  (JE04010I)

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