文献

J-GLOBAL ID：202202280099131989   整理番号：22A0630142

UAS画像から河川へのアウトフォールを検索するための改良型深層学習アプローチ【JST・京大機械翻訳】

An Improved Deep Learning Approach for Retrieving Outfalls Into Rivers From UAS Imagery

著者 (6件)： Huang Yaohuan (State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing, China) ,  Wu Chengbin (State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing, China) ,  Yang Haijun (Ministry of Ecology and Environment Center for Satellite Application on Ecology and Environment, Beijing, China) ,  Zhu Haitao (Ministry of Ecology and Environment Center for Satellite Application on Ecology and Environment, Beijing, China) ,  Chen Mingxing (State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing, China) ,  Yang Jie (State Key Laboratory of Resources and Environmental Information System, Institute of Geographic Sciences and Natural Resources Research, CAS, Beijing, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.4703814.1-14  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： 河川への流出は,放流水に流れる人為的汚染の最終ゲートであり,これは,流出調査が流域環境保護と生態系健康管理に重要であることを意味する。高空間分解能画像を有する無人機システム(UAS)は,流出の進行中の調査のための重要なデータになった。しかしながら,UAS画像からのアウトフォールス検索は,視覚解釈と,塩とペッパー雑音とスケール選択の問題を与える従来のスペクトルベースとオブジェクト指向分類法のための挑戦的なタスクに非効率的である。本研究では,高速領域畳み込みニューラルネットワーク(R-CNN)アーキテクチャ(GDCNN-アウトフォールド)に基づく改良ジオ-深層学習アプローチを,UAS画像による河川への流出を検索するために提案した。提案方法において,3つの戦術的-子サイズ,関心領域(RoI),およびハードネガティブマイニング経済を採用して,アウトフォールス検索におけるベンチマークFaster R-CNNアプリケーションを最適化した。一方,デジタル表面モデル(DSM)強化と空間活性化関数を有するジオ分類器モジュールを,GDCNNアウトフォールを生成するために,Faster R-CNNアーキテクチャと統合した。検証実験は,GDCNNアウトフォールドが,偽陽性(FPs)を33.52%から26.14%に抑制し,F1スコアを0.72から0.75に増加させることにより,アウトフォール検索におけるFaster R-CNNの性能を改善することを示した。試験結果は,Faster R-CNN(2.1%)のものより79.3%の再現とより高い精度(48.4%)を有するGDCNNアウトフォールの性能を確認して,また,GDCNNアウトフォールが視覚解釈より10倍速いことを示した。本研究は,深層学習とUAS技術の組合せが,アウトフォール調査における落差を検出する実行可能な解決策であることを実証する。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： 最適化 ,  雑音 ,  視覚 ,  落差 ,  *河川 ,  コショウ ,  スペクトル ,  *画像 ,  無人機 ,  応用プログラム ,  健康管理 ,  生態系 ,  ベンチマーク ,  計算機アーキテクチャ ,  *機械学習
準シソーラス用語： *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 人工知能  (JE08000Z) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (3件)： 河川 ,  検索 ,  深層学習