文献

J-GLOBAL ID：202202238921555288   整理番号：22A0553788

時間-周波数解析と特徴最適化に基づく大規模リモートセンシング画像におけるオブジェクト検出【JST・京大機械翻訳】

Object Detection in Large-Scale Remote-Sensing Images Based on Time-Frequency Analysis and Feature Optimization

著者 (7件)： Bai Jing (Key Laboratory of Intelligent Perception and Image Understanding of the Ministry of Education and the School of Artificial Intelligence, Xidian University, Xi’an, China) ,  Ren Junjie (Key Laboratory of Intelligent Perception and Image Understanding of the Ministry of Education and the School of Artificial Intelligence, Xidian University, Xi’an, China) ,  Yang Yujia (Key Laboratory of Intelligent Perception and Image Understanding of the Ministry of Education and the School of Artificial Intelligence, Xidian University, Xi’an, China) ,  Xiao Zhu (College of Computer Science and Electronic Engineering, Hunan University, Changsha, China) ,  Yu Wentao (Key Laboratory of Intelligent Perception and Image Understanding of the Ministry of Education and the School of Artificial Intelligence, Xidian University, Xi’an, China) ,  Havyarimana Vincent (College of Computer Science and Electronic Engineering, Hunan University, Changsha, China) ,  Jiao Licheng (Key Laboratory of Intelligent Perception and Image Understanding of the Ministry of Education and the School of Artificial Intelligence, Xidian University, Xi’an, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5405316.1-16  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： 最近,大規模なデータおよび複雑な背景を含むので,光学的遠隔センシング画像はサイズで着実に成長している。この傾向は,オブジェクト検出,例えば,計算時間とメモリ消費の増加,および大規模画像の複雑な背景によるより多くの偽陽性の幾つかの問題を示す。時間周波数解析と組み合わせた深層ニューラルネットワークに触発され,複雑な背景を持つ大規模リモートセンシング画像のための時間周波数解析ベースの物体検出法を提案した。ウェーブレット分解を利用して時間周波数変換を行い,次に特徴最適化における深層学習と統合した。時間周波数特性を効果的に捉えるために,支配的な時間周波数チャネルを選択するために,深い強化学習に基づく特徴最適化法を提案した。さらに,離散ウェーブレットマルチスケール注意機構(DW-MAM)を設計し,検出器がバックグラウンドよりも物体領域に集中することを可能にした。大規模な実験は,時間周波数チャネルからの学習の提案した方法が,大規模で複雑な背景の課題を解決するだけでなく,元の最先端の物体検出法と比較して性能を改善することを示した。さらに,提案方法は,それらがアンカーベースまたはアンカーフリー検出器,水平または回転検出器であるかどうかにかかわらず,ほとんどすべての物体検出ニューラルネットワークで使用できる。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： 記憶装置 ,  *最適化 ,  時間 ,  バックグラウンド ,  周波数変換 ,  ニューラルネットワーク ,  *画像 ,  検出器 ,  強化学習
準シソーラス用語： *時間周波数解析 ,  誤検出 ,  *物体検出 ,  *リモートセンシング画像 ,  深層学習 ,  ディープニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (5件)： 時間-周波数解析 ,  最適化 ,  大規模 ,  リモートセンシング画像 ,  オブジェクト検出