文献

J-GLOBAL ID：202202284810856925   整理番号：22A0202709

特徴ピラミッドと知識蒸留による遠隔センシングオブジェクトの逐次検出【JST・京大機械翻訳】

Incremental Detection of Remote Sensing Objects With Feature Pyramid and Knowledge Distillation

著者 (5件)： Chen Jingzhou (College of Computer Science, Zhejiang University, Hangzhou, China) ,  Wang Shihao (College of Computer Science, Zhejiang University, Hangzhou, China) ,  Chen Ling (College of Computer Science, Zhejiang University, Hangzhou, China) ,  Cai Haibin (School of Software Engineering, East China Normal University, Shanghai, China) ,  Qian Yuntao (College of Computer Science, Zhejiang University, Hangzhou, China)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5600413.1-13  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： クラス集合上でよく訓練された検出モデルが新しいクラスに直面したとき,新しいクラスを検出するためにモデルを適応させるために,増分学習は常に必要である。ほとんどのシナリオにおいて,古いクラスから訓練データを再利用するよりも,増分学習中の古いクラスの学習知識を保存する必要がある。リモートセンシング画像の対象は,様々なサイズ,任意方向,および高密度分布でしばしば現れるので,さらに,さらに,増分学習ベースの物体検出をより困難にする。本論文では,特徴ピラミッドと知識蒸留に基づいて,増分物体検出のための新しいアーキテクチャを提案した。特に,特徴ピラミッドネットワーク(FPN)によって,種々のスケールを有するオブジェクトを特徴ピラミッドの異なる層で検出した。忘却なしの学習(LwF)によって動機づけられて,新しいブランチをFPNの最終層に費やし,知識蒸留を古いクラスの出力に適用して,古いクラスの古い学習能力を維持した。マルチタスク学習を採用して,2つのブランチからの損失を共同最適化する。2つの広く使用されたリモートセンシングデータセットに関する実験は,最先端のインクリメンタルオブジェクト検出法と比較して,著者らの有望な性能を示した。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： 最適化 ,  学習 ,  *蒸留 ,  *リモートセンシング ,  検出法 ,  角錐 ,  再利用 ,  逐次検出 ,  計算機アーキテクチャ ,  密度分布
準シソーラス用語： 訓練データ ,  物体検出 ,  リモートセンシング画像 ,  マルチタスク学習 ,  リモートセンシングデータ , 【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 (5件)： ピラミッド ,  知識蒸留 ,  遠隔センシング ,  オブジェクト ,  逐次検出