文献

J-GLOBAL ID：202202242536665937   整理番号：22A0397760

リモートセンシング画像検索のためのグローバルアウェアランキングディープメトリック学習【JST・京大機械翻訳】

Global-Aware Ranking Deep Metric Learning for Remote Sensing Image Retrieval

著者 (4件)： Zhao Hongwei (Key Laboratory of Symbolic Computation and Knowledge Engineering, Ministry of Education, Jilin University, Changchun, China) ,  Yuan Lin (Key Laboratory of Symbolic Computation and Knowledge Engineering, Ministry of Education, Jilin University, Changchun, China) ,  Zhao Haoyu (Editorial Department of Journal (Engineering and Technology Edition), Jilin University, Changchun, China) ,  Wang Zhen (School of Computer Science and Technology, Shandong University of Technology, Zibo, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.8008505.1-5  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： リモートセンシング画像検索(RSIR)は,大規模リモートセンシング画像データベースにおけるクエリ画像に類似画像を検索し,取得するプロセスである。いくつかの最近の研究は,深い計量学習パラダイムの下で損失関数を開発することによって識別特徴空間を奨励する。しかし,まだよく解決されていないいくつかの問題がある。第1は,RSIRデータセットにおける各カテゴリーに対して,カテゴリ内のサンプル間の類似性は異なり,サンプルと学習する必要があるサンプルの数も異なることである。標本マイニングの境界閾値を通常設定する代わりに,試料の分布に基づく「変位」サンプルを選択するクラス内空間サンプルマイニングを提案した。第二の問題は損失低減方向と最適化方向の間の不整合である。候補リストにおける誤差サンプルをペナルティ化することにより,コスト感受性損失(CSL)を提案した。プラグインとして,他の局所損失と組み合わせたCSLは検索精度を効果的に改善できる。最後に,現在の損失が局所空間に基づいて最適化され,高い類似性で異なるカテゴリーを区別することができないという問題を考慮して,著者らは,グローバルに意識されたランキング損失(GRL)モデルを提案した。これは特徴空間と検索候補リストに基づく大域的最適化モデルである。2つの公共リモートセンシングデータセットに関する包括的実験を行った。ベースラインと比較して,提案アルゴリズムは最先端の性能を達成できる。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： アルゴリズム ,  最適化 ,  *学習 ,  損失関数 ,  データベース ,  感受性 ,  等級づけ ,  不整合 ,  類似性 ,  ペナルティ
準シソーラス用語： 大域的最適化 ,  クエリー ,  検索精度 ,  プラグイン ,  特徴空間 , 【Automatic Indexing@JST】

分類 (3件)： 図形・画像処理一般  (JE04010I) ,  パターン認識  (JE07000S) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (3件)： リモートセンシング ,  画像検索 ,  学習