文献

J-GLOBAL ID：202002210827768492   整理番号：20A1484877

次元縮小ハイパースペクトル画像のセグメンテーションのための転送学習【JST・京大機械翻訳】

Transfer Learning for Segmenting Dimensionally Reduced Hyperspectral Images

著者 (3件)： Nalepa Jakub (Silesian University of Technology, Gliwice, Poland) ,  Myller Michal (Silesian University of Technology, Gliwice, Poland) ,  Kawulok Michal (Silesian University of Technology, Gliwice, Poland)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 17  号： 7  ページ： 1228-1232  発行年： 2020年 
JST資料番号： W1397A  ISSN： 1545-598X  CODEN： IGRSBY  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： 深層学習は,ハイパースペクトル画像解析を含む多重分野における最先端技術を確立した。しかし,そのような画像をセグメント化するために大容量学習者を訓練することは,代表的な訓練セットを必要とする。そのようなデータを得ることは,特に地球観測シナリオにおいて,人間依存および時間消費であり,ハイパースペクトルデータ転送は非常に費用がかかり,時間制約がある。本レターでは,利用可能なハイパースペクトルグラウンドトルース集合の限られた数およびサイズを効果的に取り扱う方法を示し,深い特徴抽出器を構築するための転送学習を適用した。また,スペクトル次元縮小を利用して,異なるセンサを用いて取得したハイパースペクトルデータに適用可能な技術を作成し,異なる数のハイパースペクトルバンドを捕獲した。いくつかのベンチマークで実行し,統計的テストでバックアップした実験は,著者らのアプローチが,かなり縮小したデータを使用してさえ,十分に一般化された深い畳み込みニューラルネットワークを効果的に訓練することを可能にすることを示した。Copyright 2020 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： *学習 ,  *セグメンテーション ,  特徴抽出 ,  多重化 ,  データ転送 ,  センサ ,  スペクトル次元 ,  *次元縮小 ,  ベンチマーク
準シソーラス用語： *ハイパースペクトル ,  *ハイパースペクトル画像 ,  地球観測 ,  ハイパースペクトルデータ ,  深層学習 ,  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 (5件)： 次元縮小 ,  ハイパースペクトル画像 ,  セグメンテーション ,  転送 ,  学習