抄録/ポイント：
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
深層学習分類器は,十分なラベル付きサンプルを与えるハイパースペクトル画像分類に対して顕著な性能を示したが,限られたラベル付きサンプルによる学習の状況において欠陥を示した。能動学習は,この欠陥を軽減する能力をもつ深い学習分類器を与える。しかし,既存のアクティブな深層学習法は,特定の取得ヒューリスティックスを受ける情報ラベルなしサンプルに質問するとき,ハイパースペクトル画像の特徴変動性を過小評価する傾向がある。このバイアスの主な理由は,取得ヒューリスティックスが,通常,深層学習分類器の出力に基づいて導出され,そこでは,表現電力が,手でラベル付き訓練サンプル数によって制限されることである。この限界に取り組むために,著者らは,生成敵対ネットワーク(GAN)に基づく取得ヒューリスティックを確立するため,深層学習分類器の1つの中間層から高レベル特徴を利用する特徴指向敵対能動学習(FAAL)戦略を開発した。特に,実際の高レベル特徴と偽物の間の識別のために,偽高レベル特徴および特徴識別器を生成する特徴発生器を開発した。実と偽の高レベル特徴の両方によって訓練して,特徴識別器は,ハイパースペクトル画像の特性可変性を包括的に捉えて,強力で一般化された識別能力を与える。著者らは,ラベルなしサンプルの情報性を測定するために,取得ヒューリスティックとしてよく訓練された特徴識別子を利用した。実験結果は,(i)完全なFAALフレームワークと,(ii)限られたラベル付きサンプルでハイパースペクトル画像を分類するタスクに対して,敵対的に学習された獲得発見的方法の両方の有効性を検証した。Copyright 2021 The Author(s) All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】
