文献

J-GLOBAL ID：202102270918214967   整理番号：21A2437449

運動写真測量からの機械学習アルゴリズムと構造を用いた底生生息地3Dマッピングに向けて【JST・京大機械翻訳】

Towards Benthic Habitat 3D Mapping Using Machine Learning Algorithms and Structures from Motion Photogrammetry

著者 (3件)： Mohamed Hassan (Department of Geomatics Engineering, Shoubra Faculty of Engineering, Benha University, Cairo 11672, Egypt) ,  Nadaoka Kazuo (School of Environment and Society, Tokyo Institute of Technology, O-Okayama 2-12-1, Meguro-ku, Tokyo 152-8552, Japan) ,  Nakamura Takashi (School of Environment and Society, Tokyo Institute of Technology, O-Okayama 2-12-1, Meguro-ku, Tokyo 152-8552, Japan)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 1  ページ： 127  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： 沿岸生態系における底生生息場所の正確な分類と3Dマッピングは,これらの貴重な浅い水環境のための管理戦略の開発に不可欠である。しかし, to航ビデオカメラシステムから生態学的に重要な情報を導くための自動および半自動アプローチの両者は,非常に限られている。本研究では,動きとマルチビューステレオ(SfM-MVS)アルゴリズムと自動機械学習分類器からの構造を用いた高分解能底生生息場所分類と3Dマッピングのための半自動化フレームワークを示した。底生生息場所の半自動分類を,生の牽引ビデオカメラ画像データを用いて,人間の注釈者によってラベル付き例から自動的に抽出したいくつかの属性を用いて実行した。特徴(BOF),Hue飽和値(HSV),およびグレイレベル共起行列(GLCM)法を用いて,3000画像からこれらの属性を抽出した。3つの機械学習分類器(k-最近傍(k-NN),サポートベクターマシン(SVM),およびバギング(BAG))をこれらの属性を用いて訓練し,それらの出力をファジィ大多数投票(FMV)アルゴリズムによって組み立てた。次に,正確に分類された底生生息場所画像を,微分グローバル位置決めシステム(DGPS)を用いて地理参照した。最後に,SfM-MVS技法は,得られた分類ジオ参照画像を用いて,各カテゴリに対する高空間分解能ディジタル地形モデルおよびオルソフォトモザイクを生成した。日本のShiraho地域の7つの生息場所の同定と3Dマッピングのために,フレームワークを試験した。これらの7つの生息場所は,サンゴ(AcroporaとPorite),青サンゴ(H.coerlea),褐藻類,青藻類,軟砂,硬堆積物(ペブル,コブブル,およびブルダー),および海草であった。FMVアルゴリズムを用いて,7つの生息地の半自動分類において93.5%の総合精度を達成した。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： *アルゴリズム ,  自動分類 ,  *写真測量 ,  微分 ,  堆積物 ,  モザイク性 ,  生態学 ,  *生息場所 ,  高分解能 ,  ビデオカメラ ,  *機械学習 ,  *学習アルゴリズム ,  アノテーション ,  サポートベクトルマシン ,  数値地形モデル

著者キーワード (5件)： 機械学習アルゴリズム ,  底生3Dマッピング ,  曳航水中ビデオカメラ ,  ハイブリッド分類器 ,  運動からの構造

分類 (1件)： 図形・画像処理一般  (JE04010I)

引用文献 (61件)：

• Hossain, M.S.; Bujang, J.S.; Zakaria, M.H.; Hashim, M. The application of remote sensing to seagrass ecosystems: An overview and future research prospects. Int. J. Remote Sens. 2015, 36, 61-114.
• Vassallo, P.; Bianchi, C.N.; Paoli, C.; Holon, F.; Navone, A.; Bavestrello, G.; Cattaneo Vietti, R.; Morri, C. A predictive approach to benthic marine habitat mapping: Efficacy and management implications. Mar. Pollut. Bull. 2018, 131, 218-232.
• Gauci, A.; Deidun, A.; Abela, J.; Zarb Adami, K. Machine Learning for benthic sand and maerl classification and coverage estimation in coastal areas around the Maltese Islands. J. Appl. Res. Technol. 2016, 14, 338-344.
• Anderson, T.J.; Cochrane, G.R.; Roberts, D.A.; Chezar, H.; Hatcher, G. A rapid method to characterize seabed habitats and associated macro-organisms. Mapp. Seafloor Habitat Charact. Geol. Assoc. Can. Spec. Pap. 2007, 47, 71-79.
• Smith, J.; O’Brien, P.E.; Stark, J.S.; Johnstone, G.J.; Riddle, M.J. Integrating multibeam sonar and underwater video data to map benthic habitats in an East Antarctic nearshore environment. Estuar. Coast. Shelf Sci. 2015, 164, 520-536.

タイトルに関連する用語 (6件)： 運動 ,  写真測量 ,  機械学習 ,  アルゴリズム ,  生息地 ,  3Dマッピング