文献

J-GLOBAL ID：202002257013644348   整理番号：20A0950383

Google地球画像における小型および狭い長方形物体を検出する最適化ディープニューラルネットワーク【JST・京大機械翻訳】

An Optimized Deep Neural Network Detecting Small and Narrow Rectangular Objects in Google Earth Images

著者 (7件)： Jiang Shenlu (College of Information and Communication Engineering, Sungkyunkwan University, Suwon, South Korea) ,  Yao Wei (Department of Land Surveying and Geo-Informatics, the Hongkong Polytechnic University, Hong Kong) ,  Wong Man Sing (Department of Land Surveying and Geo-Informatics, the Hongkong Polytechnic University, Hong Kong) ,  Li Gen (College of Information and Communication Engineering, Sungkyunkwan University, Suwon, South Korea) ,  Hong Zhonghua (College of Information Technology, Shanghai Ocean University, Shanghai, China) ,  Kuc Tae-Yong (College of Information and Communication Engineering, Sungkyunkwan University, Suwon, South Korea) ,  Tong Xiaohua (College of Surveying and Geo-Informatics, Tongji University, Shanghai, China)
資料名： IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing  (IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing)
巻： 13  ページ： 1068-1081  発行年： 2020年 
JST資料番号： W2259A  ISSN： 1939-1404  CODEN： IJSTHZ  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： オブジェクト検出は,高分解能衛星画像(HRSI)を用いて,ターゲットオブジェクトを急速に位置決めするための重要なタスクである。深い学習は検出の効率的な手段であるが,HRSIにおけるオブジェクト検出はオブジェクトスケールとサイズの変動により問題が残っている。本論文では,衛星画像におけるオブジェクト検出タスクに適応する,二重ショットニューラルネットワークを,誤った位置決め戦略と組み合わせた,新しい深いニューラルネットワーク(DNN)を提案した。この新しいアーキテクチャは,他のサイズと幅/高さ比物体の精度損失なしに,HRSI画像に頻繁に現れる小さい狭い長方形物体の局在化を最適化する。この方法は他の最新の方法より優れている。NWPU VHR-10公開データセットと新しいベンチマークデータセット(小型と狭い長方形オブジェクト,SNRO-7)の提案した方法を評価した。NWPU VHR-10データセットは,マルチクラスオブジェクト検出のためのデータセットを構築した。しかし,ほとんどのラベルは通常のサイズと幅/高さ比に割り当てられる。SNRO-7はマルチスケールとマルチサイズ物体検出に焦点を合わせ,多くの小サイズで狭い長方形物体を含む。また,DNN訓練とグレースケールとRGBデータセットの間の試験に関する精度差を評価した。オブジェクト検出に関する実験の結果は,著者らの方法の平均精度(MaP)が,NWPU VHR-10において8%,SNRO-7において79.3%であることを明らかにした。それは他の最先端のオブジェクト検出ニューラルネットワークのマップを超えた。RGBデータセットで訓練されたモデルは,RGBとグレースケールデータセットの両方において類似の精度(約79.0%MIoU)試験を達成することができる。異なる比率においてRGBとグレースケールデータセットを混合することによってモデルを訓練するとき,RGBチャネルにおける精度はグレースケール画像の増加によって著しく減少した。しかし,これはグレースケールデータセットにおける精度に影響を及ぼさなかった。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： *最適化 ,  グレースケール ,  *地球 ,  *ニューラルネットワーク ,  位置決め ,  衛星利用画像 ,  チャネル ,  計算機アーキテクチャ
準シソーラス用語： *Google ,  マルチスケール ,  物体検出 ,  局在化 ,  グレースケール画像 ,  高分解能衛星画像 ,  *ディープ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 (6件)： Google ,  地球 ,  長方形 ,  物体 ,  最適化 ,  ディープニューラルネットワーク