文献

J-GLOBAL ID：202102288170763398   整理番号：21A0567326

PolSAR画像分類のための再帰的畳込みニューラルネットワーク【JST・京大機械翻訳】

Recursive Convolution Neural Network for PolSAR Image Classification

著者 (5件)： Zhang Shuyin (College of Information Engineering, Northwest A&F University,Yangling,China) ,  Jing Xudong (College of Mechanical and Electronic Engineering, Northwest A&F University,Yangling,China) ,  Zhang Hongming (College of Information Engineering, Northwest A&F University,Yangling,China) ,  Chen Huan (College of Information Engineering, Northwest A&F University,Yangling,China) ,  Zhao Jianbang (College of Information Engineering, Northwest A&F University,Yangling,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： YAC  ページ： 482-485  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： 訓練サンプルの制限とPolSAR画像におけるスペックルノイズの影響を考慮して,それはさらに分類装置の学習性能に影響して,再帰的畳込みニューラルネットワークモデル(CNN)を提案した。各分類結果の高い信頼性を持つ試料は次の訓練サンプルとして使われる。次に,PolSAR画像分類のために半教師つきモデルを得た。このモデルは,手動キャリブレーションサンプルに対する教師つき分類の依存性に依存しない。さらに,このモデルは,CNNにおける畳み込み演算を実行する間,自動的に偏光SAR画像の空間テクスチャ特徴を学習できる識別特徴学習に基づくエンドツーエンド分類フレームワークである。さらに,このモデルは高信頼試料からの分類に有益である特徴の学習を試みる。提案モデルの3つの利点があり,まず第一に,小サンプルの問題を,各反復分類結果から訓練サンプルを増加することによって解決する。第二に,低信頼サンプルを各反復で除去して,モデルのロバスト性に及ぼすノイズサンプルの影響を減らした。最後に,各反復プロセスにおけるCNNパラメータの初期化は以前の学習の結果に基づいている。その結果,パラメータは,よりロバストに設定され,従って,全体のモデルは,ランダム初期化のために貧弱な性能を持たない。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： 雑音 ,  偏光 ,  *学習 ,  分類装置 ,  エンドツーエンド方式 ,  ロバスト性
準シソーラス用語： *SAR画像 ,  スペックル雑音 ,  教師付き分類 ,  *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 (2件)： 画像分類 ,  畳込みニューラルネットワーク