文献

J-GLOBAL ID：202102283345489797   整理番号：21A2455617

複数の特徴を持つ超高分解能リモートセンシング画像のための深層学習ベースロバスト変化検出アプローチ【JST・京大機械翻訳】

A Deep Learning-Based Robust Change Detection Approach for Very High Resolution Remotely Sensed Images with Multiple Features

著者 (6件)： Huang Lijun (School of Earth Science and Engineering, Hohai University, Nanjing 211100, China) ,  Huang Lijun (School of Mechanical and Electronic Engineering, Suzhou University, Suzhou 234000, China) ,  An Ru (School of Earth Science and Engineering, Hohai University, Nanjing 211100, China) ,  Zhao Shengyin (School of Earth Science and Engineering, Hohai University, Nanjing 211100, China) ,  Jiang Tong (School of Earth Science and Engineering, Hohai University, Nanjing 211100, China) ,  Hu Hao (School of Mechanical and Electronic Engineering, Suzhou University, Suzhou 234000, China)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 9  ページ： 1441  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： 非常に高解像度のリモートセンシング変化検出は,登録誤差,方法のロバスト性,およびモニタリング精度などにより,常に重要な研究課題である。本論文では,変化検出(CD)のロバストでより正確なアプローチを提案し,より小さな実験領域に適用し,さらに広い範囲に拡張した。物体特徴,視覚幾何学グループ(VGG)深さ特徴,およびテクスチャ特徴を含む特徴空間を構築した。半径スケーラブル円形における文脈情報を考慮することにより,差分画像を得た。これは,瞬時視野の回転とシフトに起因するレジストレーション誤差を克服し,また,CDの信頼性とロバスト性を改善する。U-Netモデルのロバスト性を強化するために,訓練データセットを,画像,ノイズの増加,および画像の回転のような様々な操作によって手動で構築する。これの後,訓練されたモデルを使用し,92.3%の精度を達成した実験領域を予測した。提案方法をサポートベクトルマシン(SVM)とSiamesseネットワークと比較し,チェックエラー率は7.86%に低下したが,Kappaは0.8254に増加した。結果は,著者らの方法がSVMとSiameseネットワークより優れていることを明らかにした。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： 雑音 ,  視覚 ,  ネットワーク ,  *リモートセンシング ,  *高分解能 ,  ロバスト性 ,  サポートベクトルマシン
準シソーラス用語： 訓練データ ,  文脈情報 ,  差分画像 ,  特徴空間 ,  *リモートセンシング画像 ,  テクスチャ特徴 ,  *深層学習 ,  *超高解像度 , 【Automatic Indexing@JST】

著者キーワード (5件)： 変化検出 ,  深層学習 ,  多重特徴 ,  半径スケーラブル円形 ,  超高分解能リモートセンシング

分類 (1件)： 図形・画像処理一般  (JE04010I)

引用文献 (44件)：

• Du, P.J.; Liu, S.C. Change detection from multi-temporal remote sensing images by; integrating multiple features. J. Remote Sens. 2012, 16, 663-677.
• ZHANG, L.P.; WU, C. Advance and Future Development of Change Detection for multi-temporal Remote Sensing Imagery. Acta Geodaeticaet Cartographica Sinica 2017, 46, 1447-1459.
• Xiao, P.; Zhang, X.; Wang, D.; Yuan, M.; Feng, X.; Kelly, M. Change detection of built-up land: A framework of combining pixel-based detection and object-based recognition. ISPRS J. Photogramm. 2016, 119, 402-414.
• Xiao, P.; Wang, X.; Feng, X.; Zhang, X.; Yang, Y. Detecting China’s Urban Expansion over the Past Three Decades Using Nighttime Light Data. IEEE J. Sel. Top. Appl. Earth Obs. Remote Sens. 2014, 7, 4095-4106.
• Huang, J.; Liu, Y.; Wang, M.; Zheng, Y.; Wang, J.; Ming, D. Change Detection of High Spatial Resolution Images Based on Region-Line Primitive Association Analysis and Evidence Fusion. Remote Sens. 2019, 11, 2484.

タイトルに関連する用語 (5件)： 超高分解能 ,  リモートセンシング画像 ,  深層学習 ,  ロバスト ,  変化検出