抄録/ポイント:
抄録/ポイント
文献の概要を数百字程度の日本語でまとめたものです。
部分表示の続きは、JDreamⅢ(有料)でご覧頂けます。
J-GLOBALでは書誌(タイトル、著者名等)登載から半年以上経過後に表示されますが、医療系文献の場合はMyJ-GLOBALでのログインが必要です。
高分解能リモートセンシング(RS)画像からの建築物の自動抽出は,多くの応用に対して大きな実用的関心事である。都市計画,変化検出,災害管理,人間人口の推定,および多くの他の地理空間関連応用を含む。本論文は,IRU-Netと呼ばれる新しい効率的改良ResU-Netアーキテクチャを提案し,それは,RS画像からの建物の自動抽出のために,Atrous畳込み,修正残差接続,および符号器-デコーダ特徴間の新しいスキップ接続との組み合わせで,符号器-デコーダ構造を有する空間ピラミッドプールモジュールを統合した。さらに,バイナリクロスエントロピー-ダイス損失(BCEDL)と呼ばれる新しい二重損失関数は,クロスエントロピー(CE)とジセ損失(DL)を作って,クラス不均衡影響を減らし,建築物抽出結果を改善するために,局所情報とグローバル情報の両方を考慮する。提案モデルは,2つの公的に利用可能なデータセットに関してその一般化を実証するために調査した。屋根セグメンテーション(AIRS)データセットとマサチューセッツ建築データセットのAerial画像。提案したIRU-Netは,マサチューセッツデータセットで92.34%,AIRSデータセットで95.65%の平均F-1精度を達成した。SegNet,U-Net,ERFNet,およびSRI-Netのような他の最先端の深層学習ベースのモデルと比較して,著者らのIRU-Netモデルの総合精度改善は,AIRSデータセットに対して9.0%(0.9725対0.8842),5.2%(0.9725対0.9218),3.0%(0.9725対0.9428),1.4%(0.9725対0.9588)および0.93%(0.9725対0.9635),Massachusetts構築データセットに対して,11.6%,5.9%,3.1%,2.7%および1.4%であった。(0.9725 vs.0.9428),1.4%(0.9725対0.9588),および0.93%(0.9725対0.9635)。。” AIRS”のデータセットに対して,このIRU-Netモデルの総合精度改善は,9.0%(0.9725対0.8842),5.2%(0.9725対0.9218),3.0%(0.9725対0.9428),1.4%(0.9725対0.9588)および0.93%(0.9725対0.9635)であった。これらの結果は,高分解能RS画像からの建物抽出のための提案モデルの優位性を証明した。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】