文献

J-GLOBAL ID：202202263582321145   整理番号：22A1163586

リモートセンシング画像におけるオブジェクト検出のための細粒特徴強調【JST・京大機械翻訳】

Fine-Grained Feature Enhancement for Object Detection in Remote Sensing Images

著者 (5件)： Zhou Yong (School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, China) ,  Wang Sifan (School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, China) ,  Zhao Jiaqi (School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, China) ,  Zhu Hancheng (School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, China) ,  Yao Rui (School of Computer Science and Technology, China University of Mining and Technology, Xuzhou, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.6508305.1-5  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： 最近,空中画像における物体検出は,FAIR1Mと呼ばれる高解像度リモートセンシング画像における微細粒物体認識のための新しいベンチマークに,新しい挑戦を-げた。細粒カテゴリは通常,より小さなクラス間差とクラス内類似性を持ち,既存のオブジェクト検出器で分類するのは難しい。この問題に対処するために,現在の2段階物体検出アルゴリズムに関する2つの強化戦略を提案する。第1の戦略は,グループ強化モジュール(GEM)と呼ばれる注意ベースのグループ特徴強化を使用する。特徴チャネルを拡大してグループ化することによって,モデルは様々な識別特性を抽出する能力を改善できる。第2の戦略は,特徴の最も重要な部分に集中して,他の部分を無視するだけのネットワークを避けて,サブサリエンス特徴学習を強調することである。提案手法は実装が容易であり,実験により,本手法がFAIR1Mベンチマーク上で約1.45mAPの畳込みニューラルネットワーク特徴(R-CNN)を持つ指向領域を改善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： アルゴリズム ,  学習 ,  ネットワーク ,  分類 ,  ニューラルネットワーク ,  認識 ,  *画像 ,  物体認識 ,  類似性 ,  チャネル ,  高分解能 ,  *ベンチマーク
準シソーラス用語： *物体検出 ,  *リモートセンシング画像 ,  空中画像 ,  検出アルゴリズム ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (1件)： パターン認識  (JE07000S)

タイトルに関連する用語 (3件)： リモートセンシング画像 ,  オブジェクト検出 ,  細粒