文献

J-GLOBAL ID：202102231323267319   整理番号：21A0669295

深層強化学習フレームワーク内のハイパースペクトルバンド選択【JST・京大機械翻訳】

Hyperspectral Band Selection within a Deep Reinforcement Learning Framework

著者 (4件)： Michel Andreas (Fraunhofer IOSB) ,  Gross Wolfgang (Fraunhofer IOSB) ,  Schenkel Fabian (Fraunhofer IOSB) ,  Middelmann Wolfgang (Fraunhofer IOSB)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IGARSS  ページ： 52-55  発行年： 2020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： 過去数十年間,ハイパースペクトルイメージング(HSI)は,その情報における豊富さのため,リモートセンシングの魅力的分野になった。しかし,HSIは冗長性と高い計算量を被る。この課題に取り組むために,ハイパースペクトルデータの次元縮小のための直感的で直接的な探索戦略である,ポリシー勾配バンド探索を提示した。政策勾配アルゴリズムのファミリーは,強化学習フレームワークにおいて広く使用され,成功したモデルフリーアプローチであり,ここではHSIバンド選択に適用される。著者らの方法の有効性を示すために,著者らは3D-CNNベースのHSI分類ネットワークと組み合わせた空間-スペクトル関係を考慮して著者らのアプローチを評価した。著者らのアプローチは,Pavia大学,SalinasおよびGredingという3つのHSIデータセットにおいて,満足な経験的結果をもたらした。98.14%,96.64%,99.84%の総合精度を,これらのデータセットで別々に達成し,一方,4つの選択バンドだけの利用によって制限した。Copyright 2021 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： 冗長性 ,  ネットワーク ,  *スペクトル ,  計算量 ,  リモートセンシング ,  三次元 ,  有効性 ,  次元縮小 ,  *強化学習
準シソーラス用語： 勾配アルゴリズム ,  ハイパースペクトルデータ ,  *深層強化学習 , 【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 (2件)： 深層強化学習 ,  フレームワーク