文献

J-GLOBAL ID：202202263608089419   整理番号：22A1163179

伝達可能な深いモデルを用いた時系列リモートセンシング画像による広域土地被覆変化モニタリング【JST・京大機械翻訳】

Large-Area Land-Cover Changes Monitoring With Time-Series Remote Sensing Images Using Transferable Deep Models

著者 (6件)： Yan Jining (Hubei Key Laboratory of Intelligent Geo-Information Processing and the School of Computer Science, China University of Geosciences, Wuhan, China) ,  Wang Lizhe (Hubei Key Laboratory of Intelligent Geo-Information Processing and the School of Computer Science, China University of Geosciences, Wuhan, China) ,  He Haixu (Hubei Key Laboratory of Intelligent Geo-Information Processing and the School of Computer Science, China University of Geosciences, Wuhan, China) ,  Liang Dong (Key Laboratory of Digital Earth Science, Aerospace Information Research Institute, Chinese Academy of Sciences, Beijing, China) ,  Song Weijing (Hubei Key Laboratory of Intelligent Geo-Information Processing and the School of Computer Science, China University of Geosciences, Wuhan, China) ,  Han Wei (Hubei Key Laboratory of Intelligent Geo-Information Processing and the School of Computer Science, China University of Geosciences, Wuhan, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.4409917.1-17  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： 高密度時系列リモートセンシング画像は,従来の二時間土地被覆変化検出を連続監視に変換した。以前の研究は,主に線形フィッティング,予測,分解法を採用し,検出精度は高くない。深層学習(DL)の最新の進歩は,時系列変化モニタリングにおけるその利点を示す。しかしながら,DLモデルは計算的に高価であり,多くのラベル付きサンプルを必要とし,しばしば用いられる予測閾値ベースの教師なし変化検出方法をもたらす。しかし,合理的な閾値の決定は常に大きな問題である。したがって,時系列適応変化検出(SDTL-TSACD)モデルのための類似性測定ベースの深層移動学習を提案した。最初に,標準動的時間ワーピング(SDTW)距離を提案して,大規模時系列を,高い時系列類似性を有する多重サブカテゴリにクラスタ化するために使用した。第二に,時間畳み込みネットワーク(TCN)を非線形時系列フィッティングと予測に使用し,早期停止戦略を用いて過剰適合を防止した。次に,訓練されたTCNモデルを,同じカテゴリ内で画素ごとの時系列予測を転送し,実行して,SDTWも用いて予測精度を評価した。最後に,Otsu適応閾値を用いて変化点を検出し,空間隣接関係を用いて擬似変化点を除去した。132のベンチマークデータセットを用いた変化検出結果は,SDTL-TSACDが精度と効率の両方で良好に機能することを示した。加えて,2001年から2020年までのMOD13Q1-EVI画像は,黄土高原の土地被覆変化を研究するために使用して,SDTL-TSACDは,実際的問題を解決する良い能力を示した。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 ,  学習 ,  ネットワーク ,  クラスタ化 ,  *画像 ,  画素 ,  多重化 ,  *モデル ,  分割法 ,  ベンチマーク
準シソーラス用語： ワーピング ,  予測精度 ,  *土地被覆変化 ,  *リモートセンシング画像 ,  深層学習 , 【Automatic Indexing@JST】

分類 (1件)： リモートセンシング一般  (AD04000L)

タイトルに関連する用語 (6件)： モデル ,  時系列 ,  リモートセンシング画像 ,  広域 ,  土地被覆変化 ,  モニタリング