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。
正確で信頼できる建築物フットプリントマップは都市計画と監視に不可欠であり,ほとんどの既存手法はフットプリント生成のための畳み込みニューラルネットワーク(CNNs)に戻る。しかし,これらの方法の1つの限界は,ネットワーク学習のために大量の注釈付きサンプルから強い監視情報を必要とすることである。一貫性訓練による最先端の半教師つき意味セグメンテーションネットワークは,大量のラベルなしデータを活用することによってこの問題を扱うのを助けることができ,それはデータ摂動に関するモデル出力の一貫性を奨励する。豊富な情報も特徴マップに符号化されていることを考慮して,ラベルなしサンプルのエンドツーエンドネットワーク訓練における特徴と出力の両方の一貫性を統合し,付加的制約を課すことを可能にした。事前半教師つき意味セグメンテーションネットワークは,クラスタ仮定を確立し,その中で,決定境界は,低いサンプル密度の近傍にあるべきである。本研究では,建物フットプリント生成のために,符号器入力または出力よりも符号器内の中間特徴表現において,低密度領域がより明白であることを観測した。したがって,入力リモートセンシング画像の空間分解能と研究地域における個々の建築物の平均サイズを考慮する符号器内の中間特徴表現に摂動を割り当てる命令を提案した。提案方法を,異なる分解能の3つのデータセット,Planetデータセット(3m/ピクセル),Masachusettsデータセット(1m/ピクセル),およびInriaデータセット(0.3m/ピクセル)で評価した。実験結果は,提案した方式が,より完全な建築構造をよく抽出して,省略誤差を軽減することができることを示した。【JST・京大機械翻訳】