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。
高分解能(VHR)リモートセンシング画像からの土地利用/土地被覆地図の迅速で正確な創造は,都市計画と環境モニタリングにとって重要である。地理的オブジェクトベース画像解析法(GEOBIA)は,VHRリモートセンシング画像解析における個々のピクセルの代わりに画像オブジェクトを用いた効果的な解決策を提供する。同時に,畳込みニューラルネットワーク(CNN)は,それらの強力な特徴抽出能力のため,画像処理分野で広く使われてきた。本研究では,VHRリモートセンシング画像分類のためのGEOBIAに深い特徴を統合するためのパッチベース戦略を提示した。CNNを通して不規則な画像オブジェクトから深い特徴を抽出するために,パッチベースのアプローチを画像オブジェクトと学習パッチベースの深い特徴を表現するために提案して,深い特徴集約法をオブジェクトベースの深い特徴にパッチベースの深い特徴を統合するために提案する。最後に,オブジェクトと深い特徴を,画像オブジェクトを分類するためにGEOBIAパラダイムに統合した。提案手法におけるセグメンテーションスケールとパッチサイズの影響を調べ,分類における深層とオブジェクト特徴の有効性を調べた。さらに,著者らの方法の不確実性を調べるために5倍の層別交差検証を行った。さらに,深い特徴集約の重要性を調べ,北京データセットとZurichデータセットにおける3つの最先端の方法と比較することによって,この方法を評価した。結果は,より小さな分割スケールがVHR遠隔観測画像分類により役に立つことを示して,パッチサイズを画像とその分解能によって決定しなければならないので,大きすぎるか小さすぎるパッチを選択することは適切でなかった。さらに,深い特徴は物体特徴より効果的であるが,物体特徴は画像分類に対して依然として問題であり,深い特徴集合は著者らの方法における重要なステップであることを見いだした。最後に,著者らの方法は最先端の方法と比較して最も高い総合精度を達成することができて,全体の精度は北京データセットに関して91.21%であり,Zurichデータセットに関して99.05%であった。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】