文献

J-GLOBAL ID：202202247773986683   整理番号：22A0202525

雑音補正による学習による高分解能土地被覆マッピング【JST・京大機械翻訳】

High-Resolution Land Cover Mapping Through Learning With Noise Correction

著者 (6件)： Dong Runmin (Department of Earth System Science, Tsinghua University, Beijing, China) ,  Fang Weizhen (Institute of Computing Technology, Chinese Academy of Sciences, Beijing, China) ,  Fu Haohuan (Department of Earth System Science, Tsinghua University, Beijing, China) ,  Gan Lin (Department of Computer Science and Technology, Tsinghua University, Beijing, China) ,  Wang Jie (State Key Laboratory of Remote Sensing Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, China) ,  Gong Peng (Department of Earth System Science, Tsinghua University, Beijing, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.4402013.1-13  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： 広域にわたる高解像度土地被覆マッピングは,高品質ラベルの欠如のため,挑戦的なタスクである。潜在的解決策は,自由に利用できる低解像度土地被覆製品に含まれる既存の知識を活用することである。しかし,製品の比較的低い分解能と低い精度は,ニューラルネットワークの性能に害を与える多数の不正確なラベルをもたらす。本論文は,ネットワークパラメータを共同最適化し,新しいオンライン雑音補正手法と相乗雑音補正損失で雑音のあるラベルを修正することにより,課題に取り組んだ。可能な正しいラベルを決定する測定として情報エントロピーを組み込むことにより,提案した雑音補正手法は訓練中の雑音のあるラベルの効果的な補正を学習し,最終的に雑音の少ないラベルを含む訓練セットで性能を高める。実験結果は,提案方法が効果的に雑音のあるラベルを修正して,ネットワーク訓練に及ぼすそれらの負の影響を減らすことができることを示した。提案方法を採用することによって,著者らは中国の低解像度(10m)製品から精密化した高分解能(3m)土地被覆地図を作成し,74.96%(10m)から81.32%(3m)まで精度を改善した。雑音の多いデータセットから効果的に学習できるそのようなアプローチは,既存の知識と結果の利用と拡大のための多くの潜在的機会をもたらす。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： 最適化 ,  *雑音 ,  ネットワーク ,  分解能 ,  ニューラルネットワーク ,  精密化 ,  *高分解能 ,  *土地被覆
準シソーラス用語： 高品質 ,  オンライン ,  低分解能 ,  情報エントロピー ,  ネットワークパラメータ , 【Automatic Indexing@JST】

分類 (2件)： リモートセンシング一般  (AD04000L) ,  写真測量,空中写真  (RC02040D)

タイトルに関連する用語 (5件)： 雑音 ,  学習 ,  高分解能 ,  土地被覆 ,  マッピング