文献

J-GLOBAL ID：202002293405696841   整理番号：20A0376951

不均衡ライダー点雲からの水深抽出を強化するための機械学習戦略【JST・京大機械翻訳】

Machine Learning Strategies for Enhancing Bathymetry Extraction from Imbalanced Lidar Point Clouds

著者 (2件)： Lowell Kim (Center for Coastal and Ocean Mapping/Joint Hydrographic Center, University of New Hampshire,Durham,New Hampshire,UNITED STATES) ,  Calder Brian (Center for Coastal and Ocean Mapping/Joint Hydrographic Center, University of New Hampshire,Durham,New Hampshire,UNITED STATES)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2019  号： OCEANS  ページ： 1-8  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： 空中ライダー点雲からの測深を抽出するための密度に基づく手法は,一般的に,信号から雑音を分離するためのヒストグラム/周波数ベースのあいまい化規則に依存している。本研究では,各パルスを機械学習に基づくp(bsky)の推定により,各パルスを強化することにより,そのようなあいまい化規則の改善を目標とした。すなわち,その真の測深さの確率である。極端勾配ブースティング(XGB)を用いて,パルスリターンメタデータにおける測深信号の強度を評価した。ライダー点雲は測深とNotch測定の間で非常に不均衡になり得るので,不均衡な試料の影響を軽減するための3つの戦略を調べた。不均衡なライダーポイントクラウドの影響は,従来の確率決定閾値(PDT)を用いるよりもむしろ,深さ測定のための精度を等しくする「最適」決定閾値(ODT)と,XGBモデルに適合するための比例クラス重みづけを用いることにより,うまく緩和された。しかし,誤って分類された点を反復的に捨てて,XGBモデルを再適合することによって混乱マトリックスを分解することは,メタデータにおける測深信号の強度または検出可能性を向上させることに成功しなかった。同じことは,正確に分類された点を反復的に捨てるために正しかった。メタデータにおける測深信号は,密度ベースの深さ方向抽出法のあいまいさ解消規則への結果の操作的組込みを調べるのに十分に強いことが分かった。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： 測深 ,  重みづけ ,  ヒストグラム ,  *機械学習 ,  雑音 ,  *水深 ,  Notch受容体 ,  曖昧さ ,  パルス ,  メタデータ ,  カオス ,  *LIDAR
準シソーラス用語： *レーザレーダ ,  曖昧さ解消 ,  ブースティング ,  不均衡 , 【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)： 均衡 ,  ライダー ,  点雲 ,  水深 ,  強化 ,  学習戦略