文献

J-GLOBAL ID：202102289469541605   整理番号：21A2569063

高分解能リモートセンシング画像における高速R-CNNと空間解析法に基づく煙突検出【JST・京大機械翻訳】

Chimney Detection Based on Faster R-CNN and Spatial Analysis Methods in High Resolution Remote Sensing Images

著者 (7件)： Han Chunming (Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China) ,  Han Chunming (School of Electronic Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing 100049, China) ,  Li Guangfu (Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China) ,  Li Guangfu (School of Electronic Electrical and Communication Engineering, University of Chinese Academy of Sciences, Beijing 100049, China) ,  Ding Yixing (Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China) ,  Yan Fuli (Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China) ,  Bai Linyan (Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing 100094, China)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 16  ページ： 4353  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： 環境汚染源の空間位置と作業状態は環境保護のための情報の重要な部分である。産業における化石燃料消費によって生じる廃ガスは主に煙突を通して大気に排出される。したがって,煙突の分布とその作業状況を検出することは,都市環境モニタリングと環境管理にとって非常に重要である。本論文では,事前検出モデルを訓練するために,オープンアクセスデータセットBUAA-FFPP60と畳込みニューラルネットワーク(Faster R-CNN)アルゴリズムを用いた高速領域を用いた。次に,訓練されたモデルを用いて,Tangshan市に位置するGoogleマップの3つの高解像度リモートセンシング画像における煙突を検出した。その結果,多数の偽陽性ターゲットを検出した。作業煙突検出のために,再現率は77.27%であったが,精度は40.47%であった。したがって,2つの空間解析法,デジタル地形モデル(DTM)フィルタリング,および主方向試験を導入して,偽煙突を除去した。DTMはZiYuan-3衛星画像によって発生して,次に高分解能画像に登録した。偽陽性ターゲットをフィルタするために高度閾値を設定した。DTMフィルタリングの後,著者らは,各々の目標画像スライスの主要部方向を計算するために,主成分分析(PCA)を使用して,さらに,間違った陽性目標を除去するために主要部方向を使用した。結果は,DTMフィルタリングと主方向試験の組合せを用いて,95%以上の偽煙突を除去でき,従って,検出精度がかなり増加することを示した。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： アルゴリズム ,  排ガス ,  フィルタリング ,  環境保全 ,  都市 ,  汚染源 ,  化石燃料 ,  *煙突 ,  衛星利用画像 ,  主成分分析 ,  *高分解能 ,  数値地形モデル
準シソーラス用語： 高精細画像 ,  *リモートセンシング画像 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (5件)： ターゲット検出 ,  高分解能リモートセンシング画像 ,  煙突 ,  高速R-CNN ,  空間解析

分類 (3件)： 光学情報処理  (BD03060T) ,  レーダ  (ND13010H) ,  図形・画像処理一般  (JE04010I)

引用文献 (31件)：

• Ojala, T.; Pietikainen, M.; Maenpaa, T. Multiresolution gray-scale and rotation invariant texture classification with local binary patterns. IEEE Trans. Pattern Anal. Mach. Intell. 2002, 24, 971-987.
• Moranduzzo, T.; Melgani, F. A SIFT-SVM method for detecting cars in UAV images. In Proceedings of the 2012 IEEE International Geoscience and Remote Sensing Symposium, Munich, Germany, 22-27 July 2012; pp. 6868-6871.
• Melgani, F.; Bruzzone, L. Classification of hyperspectral remote sensing images with support vector machines. IEEE Trans. Geosci. Remote Sens. 2004, 42, 1778-1790.
• Cheng, G.; Han, J. A survey on object detection in optical remote sensing images. ISPRS J. Photogramm. Remote Sens. 2016, 117, 11-28.
• Sermanet, P.; Chintala, S.; LeCun, Y. Convolutional neural networks applied to house numbers digit classification. In Proceedings of the 21st International Conference on Pattern Recognition (ICPR2012), Tsukuba, Japan, 11-15 November 2012; pp. 3288-3291.

タイトルに関連する用語 (5件)： 高分解能 ,  リモートセンシング画像 ,  CNN ,  解析法 ,  煙突