文献

J-GLOBAL ID：202102289462758831   整理番号：21A0235946

特徴フィルタとKL損失に基づく任意指向船舶検出【JST・京大機械翻訳】

Arbitrary-Oriented Ship Detection Based on Feature Filter and KL Loss

著者 (6件)： Li Chen (Nanjing University of Posts and Telecommunications, Ministry of Education,Key Lab of Broadband Wireless Communication and Sensor Network Technology,China) ,  Wang Lei (Nanjing University of Posts and Telecommunications, Ministry of Education,Key Lab of Broadband Wireless Communication and Sensor Network Technology,China) ,  Kang Bin (Nanjing University of Posts and Telecommunications, Ministry of Education,Key Lab of Broadband Wireless Communication and Sensor Network Technology,China) ,  Chen Mingkai (Nanjing University of Posts and Telecommunications, Ministry of Education,Key Lab of Broadband Wireless Communication and Sensor Network Technology,China) ,  Cui Jingwu (Nanjing University of Posts and Telecommunications, Ministry of Education,Key Lab of Broadband Wireless Communication and Sensor Network Technology,China) ,  Zheng Baoyu (Nanjing University of Posts and Telecommunications, Ministry of Education,Key Lab of Broadband Wireless Communication and Sensor Network Technology,China)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2020  号： WCSP  ページ： 620-624  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： 深層学習はターゲット検出の分野で支配的であるが,船の検出の分野では,水平境界ボックスは,大規模の大規模と高密度配置の場面において非常に多くの冗長性と雑音を含み,境界ボックス回帰に影響するリモートセンシング光学画像には多くの干渉がある。船舶検出のための最近のニューラルネットワークは,高速位置決めと境界ボックス回帰を達成するために,また,よりロバストなネットワークを訓練するために,データセットを処理するために,画像における画素情報を抽出するために一般的に使用されている。しかし,これらの方法は,目標の元の特徴マップと損失関数に焦点を合わせず,船舶位置決めと回帰の影響に直接導く。本論文では,特徴フィルタとKullback-Leibler(KL)発散損失関数に基づく船舶検出ネットワークを提案した。本論文では,回転境界ボックスのまわりの雑音を除去するために,関心領域(ROI)ネットワークの出力にマスクフィルタを用いることを提案し,それは,回転境界ボックスの回帰と第二段階の角度に役立った。より良い境界ボックスを得るために,結合ボックスパラメータの回帰のためにKL損失関数を使用することを提案した。KL損失の最適化によって,境界ボックスは船をよりよく囲むことができた。著者らは,船舶検出のために著者らの自身の遠隔観測船舶画像データセットに関して実験を行い,それは6つのカテゴリーにおいて5,126の遠隔観測衛星画像および23800以上の船舶を含んだ。データセットは様々なシナリオと課題を含む。実験は,この方法が正確で効果的であり,境界ボックスには良いラッピング特性があることを示した。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： 最適化 ,  雑音 ,  冗長性 ,  損失関数 ,  ネットワーク ,  ラッピング ,  *船舶 ,  ニューラルネットワーク ,  リモートセンシング ,  衛星利用画像 ,  光学画像 ,  ロバスト性
準シソーラス用語： 関心領域 ,  特徴マップ ,  深層学習 , 【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)： 損失 ,  船舶