文献

J-GLOBAL ID：202102274674187661   整理番号：21A0577608

適応学習速度とラベル平滑化による微調整による空中シーン分類【JST・京大機械翻訳】

Aerial Scene Classification through Fine-Tuning with Adaptive Learning Rates and Label Smoothing

著者 (6件)： Petrovska Biserka (Ministry of Defence, 1000 Skopje, North Macedonia) ,  Atanasova-Pacemska Tatjana (Faculty of Computer Science, University Goce Delcev, 2000 Stip, North Macedonia) ,  Corizzo Roberto (Department of Computer Science, American University, 4400 Massachusetts Ave NW, Washington, DC 20016, USA) ,  Mignone Paolo (Department of Computer Science, University of Bari Aldo Moro, Via E. Orabona, 4, 70125 Bari, Italy) ,  Lameski Petre (Faculty of Computer Science and Engineering, Ss. Cyril and Methodius University in Skopje, Rugjer Boshkovik 16, 1000 Skopje, North Macedonia) ,  Zdravevski Eftim (Faculty of Computer Science and Engineering, Ss. Cyril and Methodius University in Skopje, Rugjer Boshkovik 16, 1000 Skopje, North Macedonia)
資料名： Applied Sciences (Web)  (Applied Sciences (Web))
巻： 10  号： 17  ページ： 5792  発行年： 2020年 
JST資料番号： U7135A  ISSN： 2076-3417  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： リモートセンシング(RS)画像分類は,最近,環境モニタリング,戦場監視,および地理空間物体検出を含む,異なるタスクにおけるその応用のために大きな注目を集めている。これらのタスクに対する最良の実践は,事前訓練畳込みニューラルネットワーク(CNN)からの移動学習を含むことが多い。文献における一般的手法は特徴抽出のためにCNNを採用し,次にそのような特徴を利用する分類器を訓練する。本論文では,エンドツーエンドの空中画像分類のための微調整事前訓練CNNによる転送学習の採用を提案した。提案アプローチは,線形および動径基底関数(RBF)カーネルを持つサポートベクトルマシン(SVM)モデルによる微調整ニューラルネットワークおよびリモートセンシング画像分類から特徴抽出を行う。学習速度ハイパーパラメータを調整するため,線形減衰学習速度スケジューラと周期的学習速度を採用した。さらに,事前訓練モデルのオーバーフィッティング問題を緩和するために,ラベル平滑化正則化を適用した。微調整と特徴抽出プロセスのために,著者らは,残差ベースのネットワークResNet50と高密度Net121と同様に,開始-v3とX知覚開始ベースのCNNを採用した。2つの実世界リモートセンシング画像データセット:AIDとNUPU-RESISC45に関する広範な実験を示した。結果は,提案方法が98%までの分類精度を示し,他の最先端の方法より優れていることを示した。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： *学習 ,  ネットワーク ,  ニューラルネットワーク ,  特徴抽出 ,  残差 ,  *平滑化 ,  リモートセンシング ,  エンドツーエンド方式 ,  正則化 ,  動径基底関数 ,  サポートベクトルマシン
準シソーラス用語： 画像分類 ,  リモートセンシング画像 ,  空中画像 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (7件)： リモートセンシング ,  畳込みニューラルネットワーク ,  微調整 ,  学習速度スケジューラ ,  巡回学習速度 ,  ラベル平滑化 ,  分類精度

分類 (1件)： 人工知能  (JE08000Z)

引用文献 (59件)：

• Liang, Y.; Monteiro, S.T.; Saber, E.S. Transfer Learning for High-Resolution Aerial Image Classification. In Proceedings of the IEEE Applied Imagery Pattern Recognition (AIPR) Workshop, Washington, DC, USA, 18-20 October 2016.
• Cheng, G.; Xie, X.; Han, J.; Guo, L.; Xia, G. Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities. arXiv 2020, arXiv:2005.01094.
• Khelifi, L.; Mignotte, M. Deep Learning for Change Detection in Remote Sensing Images: Comprehensive Review and Meta-Analysis. IEEE Access 2020, 8, 126385-126400.
• Bazi, Y.; Rahhal, M.M.A.; Alhichri, H.; Alajlan, N. Simple Yet Effective Fine-Tuning of Deep CNNs Using an Auxiliary Classification Loss for Remote Sensing Scene Classification. Remote Sens. 2019, 11, 2908.
• Lu, Y.; Luo, L.; Huang, D.; Wang, Y.; Chen, L. Knowledge Transfer in Vision Recognition. ACM Comput. Surv. 2020, 53, 1-35.

タイトルに関連する用語 (6件)： 適応 ,  学習速度 ,  ラベル ,  平滑化 ,  微調整 ,  シーン分類