文献

J-GLOBAL ID：202102288906216826   整理番号：21A2569681

能動学習プラス深層学習はマルチチャネル画像のための費用効果およびロバストモデルを確立する:ハイパースペクトル画像分類の場合【JST・京大機械翻訳】

Active Learning Plus Deep Learning Can Establish Cost-Effective and Robust Model for Multichannel Image: A Case on Hyperspectral Image Classification

著者 (6件)： Shi Fangyu (Institute of Image Communication and Information Processing, Shanghai Jiao Tong University, Shanghai 200240, China) ,  Wang Zhaodi (Institute of Image Communication and Information Processing, Shanghai Jiao Tong University, Shanghai 200240, China) ,  Hu Menghan (Institute of Image Communication and Information Processing, Shanghai Jiao Tong University, Shanghai 200240, China) ,  Hu Menghan (Shanghai Key Laboratory of Multidimensional Information Processing, East China Normal University, Shanghai 200241, China) ,  Hu Menghan (Key Laboratory of Artificial Intelligence, Ministry of Education, Shanghai 200240, China) ,  Zhai Guangtao (Institute of Image Communication and Information Processing, Shanghai Jiao Tong University, Shanghai 200240, China)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 17  ページ： 4975  発行年： 2020年 
JST資料番号： U7015A  ISSN： 1424-8220  CODEN： SENSC9  資料種別： 逐次刊行物 (A)
記事区分： 短報  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 大規模ラベル付きデータセットに関して,深層学習は画像分類タスクにおいて良い性能を達成した。農業および生物学的工学において,画像アノテーションは時間がかかり,高価である。それはまた,特定の地域で技術的スキルを持つ注釈者を必要とする。自然画像が高価であるため,グランドトルースを得ることは難しい。さらに,これらの領域の画像は,通常,コンピュータ断層撮影(CT)画像,磁気共鳴画像(MRI),およびハイパースペクトル画像(HSI)のような多チャネル画像として保存される。本論文では,マルチチャネル画像分類のための能動学習と深層学習を用いたフレームワークを提案した。選択基準として最小信頼,マージンサンプリング,エントロピーを含む3つのアクティブ学習アルゴリズムを用いた。このフレームワークに基づいて,さらに画像プールを導入し,データ増強により生成された画像を完全に利用した。提案したフレームワークの有用性を証明するために,農業ハイパースペクトル画像分類に関する事例研究を示した。結果は,提案したフレームワークが深い学習モデルと比較してより良い性能を達成することを示した。すべての訓練セットの手動アノテーションは,有望な精度を達成した。比較において,エントロピーと画像プールの能動学習アルゴリズムを使用することは,手動で注釈した全体の訓練セットの一部によって,類似した正確さを達成した。実用化において,提案したフレームワークは,モデル開発と更新プロセスの間,標識努力を著しく減らすことができて,農業と生物学工学における多チャネル画像分類に適用することができた。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 ,  エントロピー ,  学習モデル ,  事例研究 ,  NMRイメージング ,  *ロバスト性 ,  計算機トモグラフィー ,  学習アルゴリズム ,  アノテーション
準シソーラス用語： *能動学習 ,  *ハイパースペクトル画像 ,  *画像分類 ,  自然画像 ,  グランドトゥルース ,  *深層学習 , 【Automatic Indexing@JST】

著者キーワード (5件)： 深層学習 ,  アクティブ学習 ,  多チャネル画像 ,  費用効果モデル ,  ハイパースペクトル画像

分類 (1件)： 図形・画像処理一般  (JE04010I)

引用文献 (29件)：

• Deng, J.; Dong, W.; Socher, R.; Li, L.J.; Li, K.; Fei-Fei, L. Imagenet: A large-scale hierarchical image database. In Proceedings of the 2009 IEEE Conference on Computer Vision and Pattern Recognition, CVPR 2009, Miami, FL, USA, 20-25 June 2009; pp. 248-255.
• Krasin, I.; Duerig, T.; Alldrin, N.; Ferrari, V.; Abu-El-Haija, S.; Kuznetsova, A.; Rom, H.; Uijlings, J.; Popov, S.; Veit, A.; et al. OpenImages: A Public Dataset for Large-Scale Multi-Label and Multi-Class Image Classification. 2017. Available online: https://github.com/openimages (accessed on 5 July 2020).
• Everingham, M.; Eslami, S.A.; Van Gool, L.; Williams, C.K.; Winn, J.; Zisserman, A. The pascal visual object classes challenge: A retrospective. Int. J. Comput. Vis. 2015, 111, 98-136.
• Settles, B. Active Learning Literature Survey; Computer Sciences Technical Report 1648; University of Wisconsin-Madison: Madison, WI, USA, 2009.
• Lewis, D.D.; Gale, W.A. A sequential algorithm for training text classifiers. In Proceedings of the 17th Annual International ACM SIGIR Conference on Research and Development in Information Retrieval, Dublin, Ireland, 3-6 July 1994; Springer: New York, NY, USA, 1994; pp. 3-12.

タイトルに関連する用語 (5件)： 能動学習 ,  深層学習 ,  マルチチャネル ,  費用効果 ,  ハイパースペクトル画像分類