文献

J-GLOBAL ID：202202222082438859   整理番号：22A0977181

DML:意味的セグメンテーションを構築するための異なるモダリティ学習【JST・京大機械翻訳】

DML: Differ-Modality Learning for Building Semantic Segmentation

著者 (3件)： Xia Junshi (Geoinformatics Unit, RIKEN Center for Advanced Intelligence Project (AIP), Tokyo, Japan) ,  Yokoya Naoto (Geoinformatics Unit, RIKEN Center for Advanced Intelligence Project (AIP), Tokyo, Japan) ,  Baier Gerald (Geoinformatics Unit, RIKEN Center for Advanced Intelligence Project (AIP), Tokyo, Japan)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5618314.1-14  発行年： 2022年 
JST資料番号： H0016B  ISSN： 0196-2892  CODEN： IGRSD2  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： 本研究では,リモートセンシング領域における異なるモダリティ構築の意味セグメンテーションから生じる問題を批判的に解析した。光学,合成開口レーダ(SAR),光検出と測距(LiDAR),および意味知識の不足のようなマルチモーダルデータセットの成長によって,マルチモーダル情報の学習のタスクは,ここ数年,ますます関連している。しかしながら,多峰性データセットは,多くの因子のために同時に得ることができない。1つの場所における参照情報を有するSAR画像と,もう1つの参照のない光学画像を有する。SAR画像からの光学画像の関連する特徴をどのように学習するか。これを,異なるモダリティ学習(DML)と呼ぶ。DML問題を解くために,異なるシナリオに対する画像適応,特徴適応,知識蒸留,自己訓練(SL)モジュールを含む新しい深層ニューラルネットワークアーキテクチャを提案した。意味的セグメンテーションを構築し,優れた効率を達成するために,異なるモダリティリモートセンシングデータセット(SpaceNet 6からの高分解能SARとRGB)について提案した方法を試験した。提示した手法は最先端の方法と比較して最良の性能を達成した。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： *学習 ,  *セグメンテーション ,  蒸留 ,  知識 ,  画像 ,  リモートセンシング ,  距離測定 ,  光学画像 ,  多モード ,  光検出 ,  *知識表現 ,  深層 ,  高分解能 ,  合成開口レーダ
準シソーラス用語： *モダリティ ,  SAR画像 , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (5件)： 意味 ,  セグメンテーション ,  構築 ,  モダリティ ,  学習