文献

J-GLOBAL ID：202202214103438273   整理番号：22A0287532

SAR画像における船舶検出のための軽量高速R-CNN【JST・京大機械翻訳】

A Lightweight Faster R-CNN for Ship Detection in SAR Images

著者 (3件)： Li Yiding (Research Institute of Electronic Science and Technology, University of Electronic Science and Technology of China, Chengdu, China) ,  Zhang Shunsheng (Research Institute of Electronic Science and Technology, University of Electronic Science and Technology of China, Chengdu, China) ,  Wang Wen-Qin (School of Information and Communication Engineering, University of Electronic Science and Technology of China, Chengdu, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.4006105.1-5  発行年： 2022年 
JST資料番号： W1397A  ISSN： 1545-598X  CODEN： IGRSBY  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 深層学習アルゴリズムは合成開口レーダ(SAR)ターゲット検出に広く利用されてきた。それにもかかわらず,従来の特徴抽出法と深層学習法は,複雑さの増加および検出速度の低下で,改善された船舶検出精度を達成する。検出速度も意味があるので,特にリアルタイム海洋救助と緊急軍事意思決定アプリケーションにおいて,この問題を扱うための高速領域ベース畳込みニューラルネットワーク(R-CNN)検出方法の新しいフレームワークを提案した。特徴中継増幅とマルチスケール特徴ジャンプ接続構造を有する新しい軽量基本ネットワークを設計して,SAR画像における各スケールターゲットの特徴を抽出し,その認識と位置確認タスクネットワークを改善した。さらに,K-Means法を用いて,ネットワーク学習の困難さを減らすために,より適切なプリセットアンカーボックスを選択できる,目標スケールの分布を得た。最後に,関心領域(RoI)プールの代わりにRoIAlignを用いて位置決め中の量子化誤差を低減した。実験結果は,提案した方法の検出性能が0.898平均精度(AP)を達成し,従来のFaster R-CNNと800%高速検出速度よりも2.78%良いことを示した。Copyright 2022 The Institute of Electrical and Electronics Engineers, Inc. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 意思決定 ,  学習 ,  ネットワーク ,  *船舶 ,  特徴抽出 ,  海洋 ,  検出法 ,  応用プログラム ,  合成開口レーダ ,  学習アルゴリズム
準シソーラス用語： マルチスケール ,  *SAR画像 ,  関心領域 ,  深層学習 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (4件)： SAR画像 ,  船舶 ,  軽量 ,  CNN