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。
深層学習法を用いて,1次元および2次元信号に対して高い分類性能が得られることを観測した。この文脈において,ほとんどの研究者は,深層学習法を用いてハイパースペクトル画像を分類し,これらの画像に対して90%以上の分類成功を達成した。深層ニューラルネットワーク(DNN)は実際に2つの部分から成る:i)畳込みニューラルネットワーク(CNN)とii)完全接続ニューラルネットワーク(FCNN)。CNNは特徴を決定するが,FCNNを分類に用いた。ハイパースペクトル画像の分類において,研究者のほとんど全ては,空間データ(特徴)の上に2Dまたは3D畳込みフィルタを使用した。画像または時間信号に畳込みフィルタを用いることは便利である。ハイパースペクトル画像では,各画素は互いに独立な個々の特徴から成る署名ベクトルによって表現される。ベクトルにおける特徴の順序を変えることができるので,時間信号に関して,これらの特徴に関して畳込みフィルタを使用することを意味しない。同時に,ハイパースペクトル画像はテクスチャ構造を持たないので,スペクトルデータ以外に空間データを使用する必要はない。本研究では,インドマツ,Salinas,Pavia中心,Pavia大学およびBotswanaのハイパースペクトル画像を,完全に接続したニューラルネットワークおよび1次元のスペクトルデータを用いて分類した。97.5%の平均精度を,すべてのハイパースペクトル画像の試験セットに対して達成した。【JST・京大機械翻訳】