文献

J-GLOBAL ID：202202235767341625   整理番号：22A0397510

制限されたトレーニングサンプルによるハイパースペクトル画像分類のためのソフト増強ベースのSiamse CNN【JST・京大機械翻訳】

Soft Augmentation-Based Siamese CNN for Hyperspectral Image Classification With Limited Training Samples

著者 (4件)： Wang Weiquan (School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin, China) ,  Chen Yushi (School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin, China) ,  He Xin (School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin, China) ,  Li Zhaokui (School of Computer Science, Shenyang Aerospace University, Shenyang, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.5508505.1-5  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： 訓練サンプルの欠如は,ハイパースペクトル画像(HSI)分類に畳み込みニューラルネットワーク(CNN)を適用する際の主要な障害の1つである。本レターでは,限られた訓練サンプルによるHSIの正確な分類を研究した。同じクラスにおけるサンプル間の距離を最小にし,異なるクラスにおけるサンプル間の距離を最大化する利点により,限られた訓練サンプルによるHSI分類のために,シームレスCNNを用いた。その後,分類性能を改善するために,データ増強を,シームレスCNNベースのHSI分類のために調査した。特に,CutMixに基づくペアデータ増強を提案し,同じまたは異なるクラスの訓練ペアを生成し,新しい生成された訓練ペアを用いて,シームレスCNNを訓練した。従来のデータ増強法は,単に新しい訓練サンプルを作り出す。データ増強法が損失関数を保ち,同時に入力の内容を変えるときは適切ではない。したがって,結合置換データ増強に従ってその損失を変化させるソフト損失ベースシームCNNを提案し,限られた訓練サンプルによるHSI分類をさらに対処した。実験部分において,2つの広く使用されたハイパースペクトルデータセットに関して,異なる訓練サンプルとウィンドウサイズの影響を考察し,そして,実験結果は,提案したソフトオーガメントベースのシームCNNが,最先端の方法と比較して,限られた訓練サンプルとの競合結果を提供することを明らかにした。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： *損失関数
準シソーラス用語： *ハイパースペクトル画像 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (2件)： パターン認識  (JE07000S) ,  数値計算  (JE02000J)

タイトルに関連する用語 (7件)： 制限 ,  トレーニング ,  サンプル ,  ハイパースペクトル画像分類 ,  ソフト ,  増強 ,  CNN