文献

J-GLOBAL ID：202202238591351007   整理番号：22A1086607

シーンに近づく:リモートセンシング画像シーン分類のためのマルチスケール表現学習【JST・京大機械翻訳】

Looking Closer at the Scene: Multiscale Representation Learning for Remote Sensing Image Scene Classification

著者 (4件)： Wang Qi (School of Computer Science, Northwestern Polytechnical University, Xi’an, China) ,  Huang Wei (School of Computer Science, Northwestern Polytechnical University, Xi’an, China) ,  Xiong Zhitong (School of Computer Science, Northwestern Polytechnical University, Xi’an, China) ,  Li Xuelong (School of Computer Science, Northwestern Polytechnical University, Xi’an, China)
資料名： IEEE Transactions on Neural Networks and Learning Systems  (IEEE Transactions on Neural Networks and Learning Systems)
巻： 33  号： 4  ページ： 1414-1428  発行年： 2022年 
JST資料番号： T0881A  ISSN： 2162-237X  CODEN： ITNNEP  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シーン分類は,その広い応用のため大きな注目を集めている。シーン分類のための畳込みニューラルネットワーク(CNN)ベースの方法は優れた結果を達成したが,リモートセンシング画像における特徴および物体の大規模変動は,分類性能のさらなる改善を制限する。この課題に取り組むために,著者らは,大域的な四角形局所2ストリームアーキテクチャによって実現されるシーン分類のためのマルチスケール表現を提示した。このアーキテクチャは,グローバルストリームとローカルストリームの2つの分岐を持ち,全体の画像と最も重要な領域から大域的特徴と局所特徴を個々に抽出できる。画像レベルラベルだけを用いて全画像における最も重要な領域を見つけるため,構造化鍵領域局在化(SKAL)の弱い教師つき鍵領域検出戦略を,上記の2つのストリームを接続するために特別に設計した。提案したSKALベースの2ストリームアーキテクチャの有効性を検証するために,著者らは,4つの公開リモートセンシング画像シーン分類データセットに関して,AlexNet,GoogleNet,およびResNet18を含む3つの広く使用されたCNNモデルに基づく比較実験を行い,すべての4つのデータセットに関する最新の結果を達成した。このコードをhttps://github.com/hw2hwei/SKALに提供した。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： 検出 ,  分類 ,  ニューラルネットワーク ,  *画像 ,  局所性 ,  有効性 ,  比較試験 ,  計算機アーキテクチャ ,  *機械学習
準シソーラス用語： *マルチスケール ,  局在化 ,  *リモートセンシング画像 ,  *シーン分類 ,  局所特徴 ,  畳込みニューラルネットワーク ,  *表現学習 , 【Automatic Indexing@JST】

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

タイトルに関連する用語 (5件)： シーン ,  リモートセンシング画像 ,  シーン分類 ,  マルチスケール ,  表現学習