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。
作物型マッピングのための空間および時間高解像度衛星画像時系列(SITS)の前例のないアベイラビリティは,両方の次元から生じる課題を収容するための深い学習アーキテクチャを必要とすると考えられている。最近の最先端の深層学習モデルは,空間および時間符号器を積層することによって有望な結果を示した。しかしながら,時間的次元,すなわち空間次元を無視する,だけで動作するピラミッド時間-Series変換器(PTST)は,GPUメモリ消費と容易な拡張性の劇的な減少で優れた結果を作り出すことができる。さらに,潜在空間にクラスタリング機構を導入し,線形分離性を促進する分類フレンドリーなVAEフレームワークを提案することにより,半教師つき学習を行う。その結果,潜在空間のいくつかの主軸は,生データにおける分散の大部分を説明することができた。一方,提案したt弱体を有するVAEフレームワークは,ラベル付きデータの40%だけを用いるとき,純粋に識別できる対応物として競合分類性能を維持することができる。提案したフレームワークは,そのモジュール性と単純さのためにSITSによる作物分類のベースラインとして役立つことを期待する。【JST・京大機械翻訳】