文献

J-GLOBAL ID：202202260609887736   整理番号：22A0397792

EFCNet:高分解能リモートセンシング画像の意味論的セグメンテーションのためのアンサンブルフル畳込みネットワーク【JST・京大機械翻訳】

EFCNet: Ensemble Full Convolutional Network for Semantic Segmentation of High-Resolution Remote Sensing Images

著者 (6件)： Chen Li (School of Geosciences and Info-Physics, Central South University, Changsha, China) ,  Dou Xin (School of Geosciences and Info-Physics, Central South University, Changsha, China) ,  Peng Jian (School of Geosciences and Info-Physics, Central South University, Changsha, China) ,  Li Wenbo (Institute of Intelligent Machines, Chinese Academy of Sciences, Hefei, China) ,  Sun Bingyu (Institute of Intelligent Machines, Chinese Academy of Sciences, Hefei, China) ,  Li Haifeng (School of Geosciences and Info-Physics, Central South University, Changsha, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.8011705.1-5  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： 畳込みニューラルネットワーク(CNN)は,高解像度リモートセンシング画像(HRRSI)の意味セグメンテーションにおいて顕著な結果を達成した。しかしながら,HRRSIのスケールとテクスチャは多様であり,豊富な特徴を得るために固定層CNNを困難にする。この点に関して,著者らは,主に2つのモジュール,即ち,適応融合モジュール(AFM)と分離可能畳込みモジュール(SCM)を含む,エンドツーエンドアンサンブル完全畳込みネットワーク(EFCNet)を提案した。AFMはアンサンブル学習に基づく異なるスケールの特徴を融合できるが,SCMはマルチ特徴融合の下でモデルの複雑性を減少できる。実験では,UNetとPSPNetを用いて,ISPRS VaihingenとPotsdamデータセットのフレームワークを検証した。実験結果は,EFCNetが最終的セグメンテーション性能を効果的に改善し,アンサンブルモデルの複雑性を減らすことができることを示した。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】

シソーラス用語： *畳込み ,  *意味論 ,  *セグメンテーション ,  *ネットワーク ,  固定層 ,  高分解能
準シソーラス用語： アンサンブル学習 ,  複雑性 ,  *リモートセンシング画像 ,  特徴融合 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： 図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 高分解能 ,  リモートセンシング画像 ,  意味論 ,  セグメンテーション ,  アンサンブル ,  畳込み