文献

J-GLOBAL ID：202202216253019995   整理番号：22A0397693

VHRリモートセンシング画像分類のための改良型生成敵対ネットワーク【JST・京大機械翻訳】

Improved Generative Adversarial Networks for VHR Remote Sensing Image Classification

著者 (4件)： Shi Cheng (School of Computer Science and Engineering, Xi’an University of Technology, Xi’an, China) ,  Fang Li (Quanzhou Institute of Equipment Manufacturing, Haixi Institutes, Chinese Academy of Sciences, Quanzhou, China) ,  Lv Zhiyong (School of Computer Science and Engineering, Xi’an University of Technology, Xi’an, China) ,  Shen Huifang (Quanzhou Institute of Equipment Manufacturing, Haixi Institutes, Chinese Academy of Sciences, Quanzhou, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.8001805.1-5  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： リモートセンシング画像の空間分解能の増加とともに,土地クラスの正確な分類は,ラベル付きサンプルの数に依存する。しかし,標識試料の取得は困難で時間がかかる。したがって,生成敵対ネットワーク(GAN)は,非常に高解像度(VHR)リモートセンシング画像分類のための訓練サンプルを収集する新しい方法になった。従来のGANは,標識試料と同じ分布を有する新しい試料を生成する。しかし,生成されたサンプルは,それらのクラス中心に近い特徴を持ち,ネットワークは,決定境界に近いサンプルに対して有効な識別能力を得ることができない。本レターはVHRリモートセンシング画像分類のための改良GAN(IGAN)を提示した。提案フレームワークでは,発電機は分類境界に近い合成サンプルを生成し,識別器は合成試料のラベルを制約することを目的とする。得られた合成試料は分類境界の分類精度を効果的に改善できる。2つのVHRリモートセンシング画像について実験を行い,その結果は,提案した方法がいくつかの最先端の方法よりも良好に機能することを示した。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： 弁別器 ,  *ネットワーク ,  土地 ,  *リモートセンシング ,  高分解能 ,  空間分解能
準シソーラス用語： *画像分類 ,  分類精度 ,  *リモートセンシング画像 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： リモートセンシング画像 ,  分類 ,  敵対