抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
画像分類はリモートセンシング画像処理における基本的タスクである。近年,深い畳み込みニューラルネットワーク(DCNN)は自然画像認識において著しいブレークスルーを経験した。しかし,リモートセンシング場は,ImageNetに類似した大規模ベンチマークを欠いている。本論文では,大規模でスケーラブルで多様なクラウドソースデータに基づくリモートセンシング画像分類ベンチマーク(RSI-CB)を提案した。Open Street Map(OSM)データのようなクラウドソースデータを使用して,リモートセンシング画像の地上オブジェクトは,関心のポイント,OSMからのベクトルデータ,または他のクラウドソースデータを使用して効果的に注釈付けできる。これらの注釈付き画像は,リモートセンシング画像分類タスクで使用できる。この方法に基づいて,リモートセンシング画像分類のための世界的な大規模ベンチマークを構築した。このベンチマークは大規模な地理的分布と大きな全画像数を持つ。それは,サイズ256256画素の24000以上の画像の35のサブクラスを有する6つのカテゴリーを含んだ。地上物体のこの分類システムを,中国の土地利用分類の国家標準に従って定義し,ImageNetの階層機構によってヒントを得た。最後に,RSI-CBをSAT-4,SAT-6およびUC-Mercedデータセットと比較するために多数の実験を行った。実験は,RSI-CBが,大きなデータ時代における他のベンチマークよりリモートセンシング画像分類タスクのためのベンチマークとしてより好適であり,多くの潜在的応用を有することを示した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】