文献

J-GLOBAL ID：201902282541683666   整理番号：19A1387057

複合深部特徴を用いたリモートセンシング画像における物体認識【JST・京大機械翻訳】

Object Recognition in Remote Sensing Images Using Combined Deep Features

著者 (5件)： Jiang Bitao (Beijing Institute of Remote Sensing Information) ,  Li Xiaobin (Beijing Institute of Remote Sensing Information) ,  Yin Lu (Beijing Institute of Remote Sensing Information) ,  Yue Wenzhen (Beijing Institute of Remote Sensing Information) ,  Wang Shengiin (Beijing National Research Center for Information Science and Technology, Tsinghua University, Beijing, China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： ITNEC  ページ： 606-610  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： オブジェクト分類やオブジェクトタイプ認識とも呼ばれるオブジェクト認識は,リモートセンシング画像におけるオブジェクトタイプの識別を目的としている。高分解能リモートセンシング画像の利用可能性により,物体認識はますます多くの注目を集めている。主に手による特徴を用いた従来の方法とは異なり,筆者らは,畳込みニューラルネットワーク(CNN)から抽出された深い特徴を結合した物体認識法を提案し,リモートセンシング画像における航空機と船舶を認識した。提案した方法は2つの段階から成る。訓練段階において,異なるタイプと対応するラベルを有するオブジェクトの画像を,事前に訓練されたCNNを微調整するために利用した。畳込み特徴は微調整CNNの畳込み層から抽出され,Fisherベクトルによりプールされ,完全連結特徴はCNNの完全接続層から抽出される。これらの特徴は連結によって結合され,サポートベクトルマシン(SVM)を訓練するために使用される。テスト段階において,各オブジェクトのタイプを,その組合せ特徴を用いて訓練されたSVMによって決定した。Google地球から収集した2つのデータセットに関する実験は,著者らの方法の有効性を実証した。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： 高分解能 ,  航空機 ,  ベクトル ,  船舶 ,  地球 ,  有効性 ,  *物体認識 ,  サポートベクトルマシン ,  *画像 ,  畳込み
準シソーラス用語： Google ,  微調整 ,  畳込みニューラルネットワーク ,  オブジェクト分類 ,  *リモートセンシング画像 , 【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 (3件)： 深部 ,  リモートセンシング画像 ,  物体認識