文献

J-GLOBAL ID：202102216696293148   整理番号：21A2436996

CNNによる古代マヤ沈下のALS導出可視化における構造分類のための学習【JST・京大機械翻訳】

Learning to Classify Structures in ALS-Derived Visualizations of Ancient Maya Settlements with CNN

著者 (5件)： Somrak Maja (Research Centre of the Slovenian Academy of Sciences and Arts (ZRC SAZU), Novi trg 2, 1000 Ljubljana, Slovenia) ,  Somrak Maja (Information and Communication Technologies, Jozef Stefan International Postgraduate School, Jamova cesta 39, 1000 Ljubljana, Slovenia) ,  Dzeroski Saso (Information and Communication Technologies, Jozef Stefan International Postgraduate School, Jamova cesta 39, 1000 Ljubljana, Slovenia) ,  Dzeroski Saso (Jozef Stefan Institute, Jamova cesta 39, 1000 Ljubljana, Slovenia) ,  Kokalj Ziga (Research Centre of the Slovenian Academy of Sciences and Arts (ZRC SAZU), Novi trg 2, 1000 Ljubljana, Slovenia)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 14  ページ： 2215  発行年： 2020年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 航空機搭載レーザ走査(ALS)データによる考古学者は,様々な誘導可視化のマニュアル検査に大きく依存する。しかし,ALSデータの手動検査は非常に時間がかかり,データ分析ワークフローにおける主要なボトルネックを示す。したがって,メキシコ,カンペチェのChactn考古学サイトの以前に手動で注釈された古代Maya構造から分類するための深層ニューラルネットワークモデルを学習し,試験する。VGG-19畳込みニューラルネットワーク(CNN)の幾つかの変動を考慮して,人工のアグダ,建物およびプラットフォームの以前に手動で注釈されたALS画像から,また周囲の地形(4クラスおよび12000人以上の人為構造)の画像から,可視化された例構造を分類するタスクを解いた。ここでは,(a)6つの異なる可視化ブレンド,(b)2つの異なるエッジバッファサイズ,(c)追加データ増強および(d)ネットワークの初期における非同調性,凍結層の異なる数を有する(d)アーキテクチャ,を用いて,様々なパラメータがどのようにモデル性能に影響するかを調べた。異なるシナリオで学習したモデルの多くは,95%の全分類精度を超えていた。総合精度,地形精度および再生(検出率)を基準として用いて,著者らは,分離帯域における傾斜,空視野因子および正の開放性による可視化を選択した。2ピクセルエッジバッファを有する画像サンプル;Kerasデータ増強;そして,著者らのCNNモデルを学習するためのビルディングブロックの最適組合せとして5つの凍結層。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： LIDAR ,  ネットワーク ,  分離帯 ,  凍結 ,  メキシコ合衆国 ,  *可視化 ,  考古学 ,  コンピュータビジョン ,  計算機アーキテクチャ ,  ワークフロー
準シソーラス用語： 検出率 ,  航空機搭載 ,  ディープニューラルネットワーク ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (10件)： レリーフマッピング ,  可視化 ,  考古学 ,  畳込みニューラルネットワーク ,  深層学習 ,  コンピュータビジョン ,  空中レーザ走査 ,  ライダー ,  VAT ,  画像分類

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (76件)：

• Opitz, R.S.; Cowley, C.D. Interpreting Archaeological Topography: 3D Data, Visualization and Observation; Oxbow Books: Oxford, UK, 2013.
• Kokalj, Ž.; Hesse, R. Airborne Laser Scanning Raster Data Visualization: A Guide to Good Practice; Prostor, kraj, čas; Založba ZRC: Ljubljana, Slovenia, 2017.
• Canuto, M.A.; Estrada-Belli, F.; Garrison, T.G.; Houston, S.D.; Acuña, M.J.; Kováč, M.; Marken, D.; Nondédéo, P.; Auld-Thomas, L.; Castanet, C.; et al. Ancient lowland Maya complexity as revealed by airborne laser scanning of northern Guatemala. Science 2018, 361, eaau0137.
• Crutchley, S.; Crow, P. Using Airborne Lidar in Archaeological Survey: The Light Fantastic; Historic England: Swindon, UK, 2018.
• McFarland, J.; Cortes-Rincon, M. Mapping Maya Hinterlands: LiDAR Derived visualization to identify small scale features in northwestern Belize. Humboldt J. Soc. Relat. 2019, 1, 46-58.

タイトルに関連する用語 (8件)： CNN ,  古代 ,  沈下 ,  ALS ,  導出 ,  可視化 ,  分類 ,  学習