文献

J-GLOBAL ID：202202241379914298   整理番号：22A0977560

RSシーン分類のためのホモボーイング異種変圧器学習フレームワーク【JST・京大機械翻訳】

Homo-Heterogenous Transformer Learning Framework for RS Scene Classification

著者 (6件)： Ma Jingjing (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, School of Artificial Intelligence, Xidian University, Xi’an, China) ,  Li Mingteng (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, School of Artificial Intelligence, Xidian University, Xi’an, China) ,  Tang Xu (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, School of Artificial Intelligence, Xidian University, Xi’an, China) ,  Zhang Xiangrong (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, School of Artificial Intelligence, Xidian University, Xi’an, China) ,  Liu Fang (Key Laboratory of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education, School of Computer Science and Engineering, Nanjing University of Science and Technology, Nanjing, China) ,  Jiao Licheng (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, School of Artificial Intelligence, Xidian University, Xi’an, China)
資料名： IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing  (IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing)
巻： 15  ページ： 2223-2239  発行年： 2022年 
JST資料番号： W2259A  ISSN： 1939-1404  CODEN： IJSTHZ  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(RS)シーン分類はRSコミュニティにおいて重要な役割を果たし,その広い応用によりますます注目を集めている。最近,畳み込みニューラルネットワーク(CNN)の強力な特徴学習能力から利益を得て,RSシーン分類の精度は著しく改善された。既存のCNNベースの方法は優れた結果を達成するが,まだ改善の余地がある。第1に,CNNベースの方法は,RSシーンからグローバルな情報を捕えるのにeptする。なお,RSシーンに隠されたコンテキスト関係は,完全には採掘できない。第二に,特定の構造により,RSシーンから不均一情報を利用するための通常のCNNが容易である。それにもかかわらず,RSシーン内の複雑なコンテンツを包括的に理解するのにも重要な均一情報は,注目を浴びない。第3に,ほとんどのCNNは,RSシーンと意味ラベルの間の関係を確立することに焦点を合わせる。しかし,それらの間の類似性は深く考慮されず,それは内部/クラス間サンプルを区別するのに役立つ。以前に述べた限界を克服するために,本論文では,RSシーン分類のためのホモHubbard不均一変圧器学習(HHTL)フレームワークを提案した。最初に,パッチ生成モジュールを設計し,均質で不均一なパッチを生成した。次に,二重分枝特徴学習モジュール(FLM)を提案し,RSシーン内の均質で不均一な情報を同時にマイニングする。FLMでは,視覚変圧器に基づいて,大域的情報だけでなく,局所領域とそれらの文脈情報も捉えることができる。最後に,融合サブモジュールとメトリック学習モジュールから成る分類モジュールを設計した。それは,同じ/異なるRSシーンカテゴリから,ホモソービアン異種情報とコンパクト/分離サンプルを統合することができる。広範な実験を4つの公共RSシーンデータセットで行った。有望な結果は,著者らのHHTLフレームワークが,多くの最先端の方法より優れていることを実証した。著者らのソースコードは,ウェブサイトの下で利用可能である。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： 視覚 ,  *変圧器 ,  *学習 ,  分類 ,  コミュニティ ,  リモートセンシング ,  類似性 ,  融合 ,  機械学習 ,  コンテンツ
準シソーラス用語： 文脈情報 ,  学習能力 ,  ソースコード ,  *シーン分類 ,  メトリック学習 ,  畳込み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 (6件)： シーン分類 ,  ホモ ,  ボーイング ,  変圧器 ,  学習 ,  フレームワーク