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。
3D散乱と非組織化点雲(PC)の分類は,PCの高い冗長性,不均衡サンプリング密度,および大きなデータ構造のため,進行中のハード問題である。PCに由来する幾何学的およびスペクトル的特徴は,分類のために一般的に使用されている。本論文では,局所近傍における各個々の点に対する幾何学的特徴の抽出のために,Omni分散ベース適応近傍サイズ選択法および14特徴から成る新しい特徴集合を提案した。Oakland,Vaihingen,およびISPRSデータセットについて,異なる戦略(すなわち,ブースティング,アンサンブル,および深層学習など)を有する8つの現代分類器の性能を評価した。これらの3つのデータセットは,それぞれ5,9,および2つの異なるオブジェクトクラスによって同定される。結果を,異なる近隣サイズ選択法(すなわち,固有エントロピーベース,k最近傍の固定数)および特徴集合(すなわち,21の特徴)と比較した。3D局所特徴のみを用いて,様々な特性と性質を有するデータセットを分類した。提案した最適近傍選択法と特徴集合は,Auto-Encoder分類器による最良の統計的結果を提供した(全体の精度はそれぞれ85%,60%,および90%,Oakland,Vaihingen,およびISPRSデータセット)。特に,ISPRSデータセットでは,自動エンコーダは,それぞれ94%,90%,および93%の精度,想起,およびfスコアを得た。Copyright 2022 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【JST・京大機械翻訳】