文献

J-GLOBAL ID：202202211323055791   整理番号：22A0416537

特徴抽出最適化とスケルトン検出最適化に基づくリモートセンシング道路セグメンテーション【JST・京大機械翻訳】

Remote Sensing Road Segmentation Based on Feature Extraction Optimization and Skeleton Detection Optimization

著者 (4件)： Dong Sijun (Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, China) ,  Zhao Yu (Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, China) ,  Chen Zhengchao (Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, China) ,  Chen Zhengchao (University of Chinese Acdemy of Sciences, Beijing, China)
資料名： Lecture Notes in Electrical Engineering  (Lecture Notes in Electrical Engineering)
巻： 757  ページ： 377-386  発行年： 2022年 
JST資料番号： W5070A  ISSN： 1876-1100  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： ドイツ (DEU)  言語： 英語 (EN)

抄録/ポイント： 高解像度リモートセンシング画像セグメンテーションは,軍事,民間,および他の分野におけるそれらのような多くの産業レベル画像アプリケーションにおける成熟アプリケーションである。Scene分析は,できるだけ高分解能リモートセンシング画像で自動化する必要がある。今日,深層学習アルゴリズムの上昇に伴い,リモートセンシング画像処理アルゴリズムは大きな進歩を遂げた。深層学習アルゴリズムは,ある量のラベル付きデータを学習することによって,ラベルなしデータを処理する。著者らは,中国で集めたGF1データによる道路目標に関する特定の研究を実施し,リモートセンシング画像の分解能は,2m(J安徽Agri Sci 43:358-362,2015[Jin et al.Jhui Agri Sci 43:358-362,2015])であった。リモートセンシング画像における道路特徴の観測によると,2m分解能GF1リモートセンシング画像で識別するのが難しい多数の小道路がある。完全畳み込みニューラルネットワークのダウンサンプリング計算の限界のために,小型道路(コンピュータビジョンとパターン認識に関するIEEE会議のProcedingsにおけるLong et al.,pp)に関する多くの情報を失うことは容易である。3431-3440,2015[Long J,Shelhamer E,Darrell T(2015)完全畳み込みネットワーク]は,コンピュータビジョンとパターン認識,2015,pp431-3440]に関するIEEE会議の認知において,意味的セグメンテーションのための完全畳み込みネットワークである。したがって,特徴抽出とバックボーンネットワを調整した。効率的なNet(TanとLe)を,アルゴリズムのスケルトンネットワークとして,畳み込みニューラルネットワークの2019[Tan M,Le QV(2019)効率的ネット:畳み込みモデルスケーリング,およびD-リンクNet(Zhou et al.,CVPRワークショップ,pp)を組み合わせた。182~186,2018[Zhou L,Zhang C,Wu M(2018)D-LinkNet:事前訓練エンコーダによるリンクネットと高分解能衛星画像道路抽出のための拡張畳み込み(CVPRワークショップ,pp182~186)を,道路サンプルに基づいて,提案したD2-LinkNetへの予備訓練の後に,著者らは,非常に良い予測結果を得ることができた。既存の予測結果に従って,このセグメンテーション結果をグラウンドトルスに当てはめるには,まだ一定の差異がある。この問題を解決するために,道路予測結果のスケルトンの抽出と解析,および異なる予測結果の統合に基づいて,道路サンプルの予測結果を最適化するためのスケルトン最適化アルゴリズムを提案した。そして一方では,それは小さな道路の分割を補完する。他方,道路セグメンテーション結果は,道路境界をより密接に適合する。最終実験結果は,最適化アルゴリズムがネットワークの予測精度を効果的に改良して,著者らの大規模リモートセンシングデータセットにおけるD-LinkNetと比較してより良い結果を達成したことを示した。Copyright The Author(s), under exclusive license to Springer Nature Singapore Pte Ltd. 2022 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 ,  *最適化 ,  畳込み ,  パターン認識 ,  自動化 ,  *セグメンテーション ,  ネットワーク ,  *道路 ,  *特徴抽出 ,  *リモートセンシング ,  応用プログラム ,  コンピュータビジョン ,  学習アルゴリズム
準シソーラス用語： 画像セグメンテーション ,  リモートセンシング画像 , 【Automatic Indexing@JST】

著者キーワード (4件)： リモートセンシング画像 ,  画像セマンティックセグメンテーション ,  特徴抽出 ,  道路骨格検出

分類 (4件)： パターン認識  (JE07000S) ,  写真測量,空中写真  (RC02040D) ,  図形・画像処理一般  (JE04010I) ,  リモートセンシング一般  (AD04000L)

タイトルに関連する用語 (6件)： 特徴抽出 ,  最適化 ,  スケルトン ,  リモートセンシング ,  道路 ,  セグメンテーション