文献

J-GLOBAL ID：202202257590106638   整理番号：22A1062572

リモートセンシング変化検出のためのマルチスケール意味表現と監視【JST・京大機械翻訳】

Multi-scale Semantic Representation and Supervision for Remote Sensing Change Detection

著者 (3件)： He Haoming (School of Computer Science and Engineering, Nanjing University of Science and Technology, China) ,  Yang Jiadong (School of Computer Science and Engineering, Nanjing University of Science and Technology, China) ,  Chen Qiang (School of Computer Science and Engineering, Nanjing University of Science and Technology, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： ICIGP 2022  ページ： 37-44  発行年： 2022年 
JST資料番号： D0698C  資料種別： 会議録 (C)
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： 単一画像用に設計された意味セグメンテーションネットワークをリモートセンシング変化検出タスクにいかに移動するかに焦点を当てたリモートセンシング変化検出のために,深い畳込みニューラルネットワークを採用した。これらのネットワークは,境界品質と小領域品質よりむしろ大きな領域の精度を持つ傾向がある。本論文では,二時間リモートセンシング変化検出に対して,新しいアーキテクチャ,Siamese変化検出ネットワーク(SCD-Net),および新しいハイブリッド損失,Multi-Scale Perceptual(MSP)損失を提案した。特に,アーキテクチャは,既存の研究とは異なり,高密度に教師付きEncoder-Decoderネットワークから構成されており,ここでは,構築多レベル強意味特徴マップの電荷におけるエンコーダへのアップサンプリング経路を追加した。この方法で,低レベル特徴マップの比較は,局所情報のみの代わりに大域的情報に基づいている。マルチスケール知覚(MSP)損失は,Tversky損失とFocal損失のバリアントから成る。それは,効果的に異なるスケールで変化領域を学ぶことができるために,異なるスケールでのネットワークの出力結果に適用される。MSP損失により,提案したSCD-Netは,変化領域を効果的にセグメント化することができ,正確な境界を有する微細構造を正確に予測することができた。2つの公開データセットに関する実験結果は,著者らの方法がF1スコアにおいて最先端の方法より優れていることを示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： *検出 ,  微細構造 ,  情報 ,  セグメンテーション ,  ネットワーク ,  境界 ,  ニューラルネットワーク ,  信号標本化 ,  画像 ,  符号器 ,  *リモートセンシング ,  *指数 ,  *規模 ,  計算機アーキテクチャ
準シソーラス用語： *マルチスケール ,  変化検出 ,  高密度 ,  アップサンプリング ,  特徴マップ ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

著者キーワード (3件)： マルチスケール知覚損失 ,  リモートセンシング変化検出 ,  シーズネットワーク

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  人工知能  (JE08000Z)

タイトルに関連する用語 (4件)： リモートセンシング ,  変化検出 ,  マルチスケール ,  意味表現