スペクトルデータおよび完全連結ニューラルネットワークを用いたハイパースペクトル画像の分類【JST・京大機械翻訳】

Dokur Zumray; Olmez Tamer

プレプリント

J-GLOBAL ID：202202214727723832 整理番号：22P0025058

スペクトルデータおよび完全連結ニューラルネットワークを用いたハイパースペクトル画像の分類【JST・京大機械翻訳】

Classification of Hyperspectral Images by Using Spectral Data and Fully Connected Neural Network

出版者サイト {{ this.onShowPLink() }} 複写サービスで全文入手
高度な検索・分析はJDreamⅢで

この文献はプレプリントです。プレプリントについてはこちらをご確認ください。

著者 (2件)： ,
資料名：
発行年： 2022年01月08日プレプリントサーバーでの情報更新日： 2022年01月08日
JST資料番号： O7000B 資料種別：プレプリント
記事区分：プレプリント発行国：アメリカ合衆国 (USA) 言語：英語 (EN)

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】

, , , , , , , , , ,
, , , , , 【Automatic Indexing@JST】

パターン認識 , 人工知能

, , ,

前のページに戻る