文献

J-GLOBAL ID：202202266321104692   整理番号：22A0203820

超高分解能(VHR)衛星画像を用いたマルチソース領域一般化ベースのアブラヤシツリー検出【JST・京大機械翻訳】

Multisource-Domain Generalization-Based Oil Palm Tree Detection Using Very-High-Resolution (VHR) Satellite Images

著者 (6件)： Zheng Juepeng (Ministry of Education Key Laboratory for Earth System Modeling, Tsinghua University, Beijing, China) ,  Wu Wenzhao (National Supercomputing Center in Wuxi, Wuxi, China) ,  Yuan Shuai (Department of Eletronic Engineering, Tsinghua University, Beijing, China) ,  Fu Haohuan (Ministry of Education Key Laboratory for Earth System Modeling, Tsinghua University, Beijing, China) ,  Li Weijia (CUHK-SenseTime Joint Laboratory, The Chinese University of Hong Kong, Hong Kong, China) ,  Yu Le (Ministry of Education Key Laboratory for Earth System Modeling, Tsinghua University, Beijing, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.2501005.1-5  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： 大規模に関する正確でタイムリーなオイルパーム情報の提供は,経済発展と生態学的意義の両方に不可欠である。しかし,異なるセンサ,写真取得条件,および環境不均一性のため,大量のデータおよび多様性は,大規模および交差地域オイルパームツリー検出に対して,非常に挑戦的である。連続的累積マルチソースリモートセンシングデータのための大きな不均一領域とすべての環境条件をカバーする画像からのモデルを訓練することは計算上高価である。本レターでは,新しいマルチソースドメイン一般化(DG)法,最大平均離散深層再構成分類ネットワーク(MMD-DRCN)を提案した。それは,複数のソースドメインから表現を学習し,未知および”unseen”ターゲットドメインにおいて,吸引性能を得る。分類損失の他に,MMD-DRCNは,再構成損失を通してより代表的特徴を蒸留し,MMD損失によってマルチソース潜在特徴を整列させ,その両方は,汎化の容量を効果的に強化する。MMD-DRCNは,すべての転送タスクにおいて82.70%の平均F1スコアを達成し,ベースライン(直接畳込みニューラルネットワーク(CNN)モデル)と比較して5.83%の利得を達成した。実験結果は,DGが,目標領域の情報なしで,大規模で交差地域的なオイルパームツリー検出の有望な可能性を提供することを実証した。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： ネットワーク ,  経済開発 ,  再構成 ,  *アブラヤシ ,  利得 ,  生態学 ,  *衛星利用画像 ,  センサ ,  基準線 ,  深層
準シソーラス用語： 環境条件 ,  *超高解像度 ,  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 (5件)： 高分解能 ,  衛星画像 ,  マルチ ,  ソース ,  一般化