文献

J-GLOBAL ID：202102292018594406   整理番号：21A2568622

リモートセンシングにおける特徴抽出のための深層学習:空中シーン分類の事例研究【JST・京大機械翻訳】

Deep Learning for Feature Extraction in Remote Sensing: A Case-Study of Aerial Scene Classification

著者 (9件)： Petrovska Biserka (Ministry of Defense of Republic of North Macedonia, 1000 Skopje, North Macedonia) ,  Zdravevski Eftim (Faculty of Computer Science and Engineering, Saints Cyril and Methodius University, 1000 Skopje, North Macedonia) ,  Lameski Petre (Faculty of Computer Science and Engineering, Saints Cyril and Methodius University, 1000 Skopje, North Macedonia) ,  Corizzo Roberto (Department of Computer Science, University of Bari Aldo Moro, 70125 Bari, Italy) ,  Corizzo Roberto (Department of Computer Science, American University, Washington, DC 20016, USA) ,  Stajduhar Ivan (Faculty of Engineering, University of Rijeka, 51000 Rijeka, Croatia) ,  Stajduhar Ivan (Center for Artificial Intelligence and Cybersecurity, University of Rijeka, Radmile Matejcic 2, 51000 Rijeka, Croatia) ,  Lerga Jonatan (Faculty of Engineering, University of Rijeka, 51000 Rijeka, Croatia) ,  Lerga Jonatan (Center for Artificial Intelligence and Cybersecurity, University of Rijeka, Radmile Matejcic 2, 51000 Rijeka, Croatia)
資料名： Sensors (Web)  (Sensors (Web))
巻： 20  号： 14  ページ： 3906  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： 原著論文  発行国： スイス (CHE)  言語： 英語 (EN)

抄録/ポイント： 画像に依存するシーン分類は,リモートセンシングに関連する多くのシステムと応用に不可欠である。遠隔収集画像からのシーン分類における科学的関心は増加しており,多くのデータセットとアルゴリズムが開発されている。畳み込みニューラルネットワーク(CNN)と他の深層学習技術の導入は,そのようなシステムにおける画像シーン分類の精度の広大な改善に寄与した。面積画像からシーンを分類するため,2ストリーム深層アーキテクチャを用いた。著者らは,異なるネットワーク層から空中画像の深い特徴を抽出する事前訓練CNNを用いて,分類の第一部,特徴抽出を遂行した:平均プール層またはいくつかの以前の畳み込み層。次に,次元縮小を巨大な特徴ベクトル上で実行した後,様々なニューラルネットワークから抽出特徴に関する特徴連結を適用した。最適結果を得るために,異なるCNNアーキテクチャで広範囲に実験を行った。最後に,連結された特徴の分類のためにサポートベクトルマシン(SVM)を使用した。調べた技術の競争力を,2つの実世界データセット:UC MercedとWHU-RSで評価した。得られた分類精度は,考察した方法が他の切削エッジ技術と比較して競合結果を有することを示した。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 ,  畳込み ,  切削 ,  ニューラルネットワーク ,  *特徴抽出 ,  *リモートセンシング ,  *事例研究 ,  次元縮小 ,  計算機アーキテクチャ ,  サポートベクトルマシン
準シソーラス用語： 特徴ベクトル ,  空中画像 ,  *シーン分類 ,  *深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (4件)： リモートセンシング ,  畳込みニューラルネットワーク(CNN) ,  特徴抽出 ,  特徴融合

分類 (1件)： 図形・画像処理一般  (JE04010I)

引用文献 (66件)：

• Qayyum, A.; Malik, A.S.; Saad, N.M.; Iqbal, M.; Abdullah, M.F.; Rasheed, W. Scene classification for aerial images based on CNN using sparse coding technique. Int. J. Remote Sens. 2017, 38, 2662-2685.
• Gan, J.; Li, Q.; Zhang, Z.; Wang, J. Two-level feature representation for aerial scene classification. IEEE Geosci. Remote Sens. Lett. 2016, 13, 1626-1630.
• Yang, W.; Yin, X.; Xia, G.S. Learning high-level features for satellite image classification with limited labeled samples. IEEE Trans. Geosci. Remote Sens. 2015, 53, 4472-4482.
• Huang, F.; Yan, L. Hull vector-based incremental learning of hyperspectral remote sensing images. J. Appl. Remote Sens. 2015, 9, 096022.
• Penatti, O.A.B.; Nogueira, K.; DosSantos, J.A. Do deep features generalize from everyday objects to remote sensing and aerial scenes domains? In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition Workshops (CVPRW’15), Boston, MA, USA, 7-12 June 2015; pp. 44-51.

タイトルに関連する用語 (5件)： リモートセンシング ,  特徴抽出 ,  深層学習 ,  シーン分類 ,  研究