文献

J-GLOBAL ID：202202266897707354   整理番号：22A0202675

制限されたトレーニングサンプルによるハイパースペクトル画像分類のための二重グラフ畳込みネットワーク【JST・京大機械翻訳】

Dual Graph Convolutional Network for Hyperspectral Image Classification With Limited Training Samples

著者 (3件)： He Xin (School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin, China) ,  Chen Yushi (School of Electronics and Information Engineering, Harbin Institute of Technology, Harbin, China) ,  Ghamisi Pedram (Helmholtz-Zentrum Dresden-Rossendorf, Helmholtz Institute Freiberg for Resource Technology, Dresden, Germany)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5502418.1-18  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： 強力な特徴抽出能力のため,畳み込みニューラルネットワーク(CNN)はハイパースペクトル画像(HSI)分類に広く用いられている。しかし,訓練する必要がある多数のパラメータのため,十分な訓練サンプルは通常深いCNNベースの方法に必要である。残念ながら,限られた訓練サンプルはリモートセンシングコミュニティにおける共通の問題である。本研究では,限られた訓練サンプルによるHSIの教師つき分類のために,二重グラフ畳込みネットワーク(DGCN)を提案した。第1のGCNはHSIサンプル中および間に存在する特徴を完全に抽出するが,第2のGCNはラベル分布学習を利用し,従って必要な訓練サンプルの数を低減する可能性がある。2つのGCNをいくつかの反復を通して統合して,クラス間距離を減少して,それはより正確な分類ステップに導いた。さらに,HSI分類(DGCN-M)のための正則化技術として,マルチスケール特徴カットアウトと呼ばれる新しいアイデアを提案した。正則化法(例えば,ドロップアウトおよびDropBlock)と異なり,提案したマルチスケール特徴カットアウトは,特徴マップにおけるマルチスケール領域サイズをランダムマスクすることができ,さらに,オーバーフィッティング問題を低減し,一貫した改善をもたらした。4つの一般的なハイパースペクトルデータセット(即ち,Salinas,Indian Pines,Pavia,Houston)に関する実験結果は,提案した方法が最先端の方法と比較して良好な分類性能が得られ,HSI分類のためのGCNの可能性を示した。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 ,  特徴抽出 ,  コミュニティ ,  リモートセンシング ,  正則化
準シソーラス用語： ドロップ ,  *ハイパースペクトル画像 ,  マルチスケール ,  特徴マップ ,  教師付き分類 ,  *ハイパースペクトル画像分類 ,  畳込みニューラルネットワーク , 【Automatic Indexing@JST】

分類 (3件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： 制限 ,  トレーニング ,  サンプル ,  ハイパースペクトル画像分類 ,  グラフ ,  畳込み