文献

J-GLOBAL ID：202102291565501696   整理番号：21A2453509

自己教師付き学習がシーン分類に出会うとき:マルチタスク学習フレームワークに基づく遠隔センシングシーン分類【JST・京大機械翻訳】

When Self-Supervised Learning Meets Scene Classification: Remote Sensing Scene Classification Based on a Multitask Learning Framework

著者 (6件)： Zhao Zhicheng (Computer Network Information Center, Chinese Academy of Sciences, Beijing 100190, China) ,  Zhao Zhicheng (University of Chinese Academy of Sciences, Beijing 100049, China) ,  Luo Ze (Computer Network Information Center, Chinese Academy of Sciences, Beijing 100190, China) ,  Li Jian (Computer Network Information Center, Chinese Academy of Sciences, Beijing 100190, China) ,  Chen Can (Computer Network Information Center, Chinese Academy of Sciences, Beijing 100190, China) ,  Piao Yingchao (Computer Network Information Center, Chinese Academy of Sciences, Beijing 100190, China)
資料名： Remote Sensing (Web)  (Remote Sensing (Web))
巻： 12  号： 20  ページ： 3276  発行年： 2020年 
JST資料番号： U7270A  ISSN： 2072-4292  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 近年,畳み込みニューラルネットワーク(CNN)の開発は,リモートセンシング画像のシーン分類における連続的進展を促進した。しかし,自然画像データセットと比較して,リモートセンシングシーン画像の取得はより難しく,その結果,リモートセンシング画像データセットのスケールは一般に小さい。さらに,小さな物体と複雑な背景に関連した多くの問題は,リモートセンシング画像シーンで生じ,CNNベースの認識法の大きな課題を示す。本論文では,そのようなモデルの特徴抽出能力と一般化能力を改善し,元のリモートセンシング画像に含まれる情報のより良い利用を可能にするために,自己教師付き学習とシーン分類のタスクを組み合わせたマルチタスク学習フレームワークを導入した。以前のマルチタスク法とは異なり,2つのタスクを動的重みと組み合わせる新しい混合損失戦略を採用した。提案したマルチタスク学習フレームワークは,パラメータ量を増やすことなく,より識別的な特徴を学習するために,深いニューラルネットワークを電力化する。包括的実験を4つの代表的リモートセンシングシーン分類データセットで実施した。NWPU,AID,UC Merced,およびWHU-RS19データセットにおいて,それぞれ,平均精度94.21%,96.89%,99.11%,および98.98%の最先端の性能を達成した。実験結果と可視化は,提案した方式が,より識別的な特徴を学習し,同時に,リモートセンシングシーン分類の精度を改善する一方で,方位情報を符号化できることを示した。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： 電力 ,  ニューラルネットワーク ,  特徴抽出 ,  可視化 ,  *教師つき学習 ,  *リモートセンシング
準シソーラス用語： 自然画像 ,  *マルチタスク ,  リモートセンシング画像 ,  *マルチタスク学習 ,  *シーン分類 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (6件)： 自己管理 ,  マルチタスク ,  CNN ,  シーン分類 ,  NWPU ,  深層学習

分類 (2件)： パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

引用文献 (65件)：

• Qi, K.; Wu, H.; Shen, C.; Gong, J. Land-use scene classification in high-resolution remote sensing images using improved correlatons. IEEE Geosci. Remote. Sens. Lett. 2015, 12, 2403-2407.
• Zhang, L.; Zhang, L.; Du, B. Deep learning for remote sensing data: A technical tutorial on the state of the art. IEEE Geosci. Remote. Sens. Mag. 2016, 4, 22-40.
• Liu, Y.; Huang, C. Scene classification via triplet networks. IEEE J. Sel. Top. Appl. Earth Obs. Remote. Sens. 2017, 11, 220-237.
• Cheng, G.; Han, J.; Lu, X. Remote sensing image scene classification: Benchmark and state of the art. Proc. IEEE 2017, 105, 1865-1883.
• Ghosh, D.; Kaabouch, N. A survey on remote sensing scene classification algorithms. WSEAS Trans. Signal Process. 2014, 10, 504-519.

タイトルに関連する用語 (6件)： 自己 ,  教師付き学習 ,  シーン分類 ,  マルチタスク学習 ,  フレームワーク ,  遠隔センシング