文献

J-GLOBAL ID：202102255769004190   整理番号：21A0669648

多重セマンティックセグメンテーションモデルを組み合わせた海鳥検出性能の改善【JST・京大機械翻訳】

Improving the Performance of Seabirds Detection Combining Multiple Semantic Segmentation Models

著者 (3件)： Liu Chunxiu (Geomatics College, Shandong University of Science and Technology,Qingdao,China,266590) ,  Ming Yanfang (Geomatics College, Shandong University of Science and Technology,Qingdao,China,266590) ,  Zhu Jinshan (Geomatics College, Shandong University of Science and Technology,Qingdao,China,266590)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： IGARSS  ページ： 1608-1611  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： 海鳥生息地の喪失は,絶滅の brに多くの貴重な海鳥を作る。無人航空機(UAV)と高分解能空中画像による海鳥のモニタリングは,長期において極めて重要である。畳み込みニューラルネットワークの開発は,海鳥のような小さな物体の検出に大きな活力をもたらす。UAV画像における海鳥の複雑なバックグラウンドと小サイズのため,正確に海鳥を検出する単一意味セグメンテーションモデルにとって難しい。アンサンブル学習は,複数の個人学習者を特定の戦略と組み合わせ,委員会を形成し,性能を大幅に改善できる。UAV画像から高精度で自動の海鳥検出を実現するために,本論文では,結合ボックスを用いた一般的物体検出法とは区別して,2つの意味セグメンテーションモデルを結合する深層学習法を提案した。実験結果は,U-NetとUNet++のようなモデルと比較して,アンサンブルモデルが全体的により良いことを示した。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： *多重化 ,  検出法 ,  無人機 ,  高分解能
準シソーラス用語： アンサンブル学習 ,  海鳥 ,  高精度 ,  空中画像 ,  生息場所喪失 ,  深層学習 ,  畳込みニューラルネットワーク , 【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 (5件)： 多重 ,  セマンティックセグメンテーション ,  モデル ,  海鳥 ,  検出性能