文献

J-GLOBAL ID：202002278567129004   整理番号：20A2499830

リファイナ前の蒸留:Sentinel-1時系列を用いた灌漑Areasマッピングのための空間-時間転移学習【JST・京大機械翻訳】

Distilling Before Refine: Spatio-Temporal Transfer Learning for Mapping Irrigated Areas Using Sentinel-1 Time Series

著者 (5件)： Bazzi H. (UMR-TETIS Laboratory, INRAE, University of Montpellier, Montpellier, France) ,  Ienco D. (LIRMM laboratory, Montpellier, France) ,  Baghdadi N. (UMR-TETIS Laboratory, INRAE, University of Montpellier, Montpellier, France) ,  Zribi M. (CESBIO, Universite Paul Sabatier, Toulouse, France) ,  Demarez V. (CESBIO, Universite Paul Sabatier, Toulouse, France)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 17  号： 11  ページ： 1909-1913  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： 本レターは,Sentinel-1データの解析を通して,灌漑区域のマッピングのための空間移動チャレンジを扱うための深い学習モデルを提案した。第1に,”教師モデル”と呼ばれる畳み込みニューラルネットワーク(CNN)モデルを,大量のサンプルで特徴付けられるソース地理的領域上で訓練した。次に,このモデルを,限られた数のサンプルで特徴付けられるターゲット領域からターゲット領域に移した。移動学習フレームワークは蒸留と精緻化戦略に基づいており,その中で教師モデルはまず学生モデルに蒸留され,その後,目標地理的地域から来るデータサンプルによって洗練される。提案した戦略は,ターゲットデータセット上で訓練されたランダムフォレスト(RF)分類器とソースデータセット上で訓練されたCNNを含む異なるアプローチと比較され,ターゲットデータセット上で訓練されたいくつかのCNN分類器と同様に,ターゲット領域に直接適用された。実施した移動戦略の評価は,”蒸留と精密化”フレームワークが他の競合するアプローチと比較して最良の性能を得ることを示している。得られた知見は地球観測領域における深層学習モデルの空間伝達性の理解に向けた最初のステップである。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 ,  学習モデル ,  蒸留 ,  *灌漑 ,  地理学 ,  精密化
準シソーラス用語： ランダムフォレスト ,  *転移学習 ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (6件)： リファイナ ,  蒸留 ,  時系列 ,  灌漑 ,  マッピング ,  転移学習