文献

J-GLOBAL ID：202202284895223093   整理番号：22A0457068

ハイパースペクトル画像分類のための深さ方向オーバーパラメータ化畳込みに基づく浅いネットワーク【JST・京大機械翻訳】

Shallow Network Based on Depthwise Overparameterized Convolution for Hyperspectral Image Classification

著者 (3件)： Gao Hongmin (College of Computer and Information, Hohai University, Nanjing, China) ,  Chen Zhonghao (College of Computer and Information, Hohai University, Nanjing, China) ,  Li Chenming (College of Computer and Information, Hohai University, Nanjing, China)
資料名： IEEE Geoscience and Remote Sensing Letters  (IEEE Geoscience and Remote Sensing Letters)
巻： 19  ページ： ROMBUNNO.6005205.1-5  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： 最近,畳込みニューラルネットワーク(CNN)技術は,ハイパースペクトル画像分類(HSIC)のためのツールとして人気を得ている。限られたサンプルの条件下でHSICの特徴抽出効率を改善するために,現在の方法は,一般的に多くの層を有する深いモデルを使用する。しかし,深いネットワークモデルは,サンプルが制限されるとき,過剰適合と勾配消失問題を起こしやすい。さらに,空間分解能は,より深い深さで激しく減少し,それは空間エッジ特徴抽出に非常に有害である。したがって,このレターはHSICのための浅いモデルを提案して,それは深さ方向パラメータ化畳込みニューラルネットワーク(DOCNN)と呼ばれる。浅いモデルの効果的抽出を確実にするために,識別特性を抽出するために,深さ方向パラメータ化畳込み(DO-Conv)カーネルを導入した。DO-Convカーネルは,標準畳込みカーネルと深さ方向畳み込みカーネルからなり,それは,異なるチャネルの空間特徴を個々に抽出することができ,同時に全チャネルの空間特徴を融合できる。さらに,畳み込み操作による空間エッジ特徴の損失をさらに低減するために,全体のネットワークの特徴抽出部分に適用するために,高密度残留接続(DRC)構造を提案した。3つのベンチマークデータセットから得られた実験結果は,提案方法が分類精度と計算効率に関して他の最先端の方法より優れていることを示した。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 ,  *ネットワーク ,  特徴抽出 ,  チャネル ,  ベンチマーク ,  パラメタリゼーション ,  空間分解能
準シソーラス用語： 計算効率 ,  ネットワークモデル ,  高密度 ,  分類精度 ,  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 ,  ディプス方向 ,  全チャネル , 【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 (4件)： ハイパースペクトル画像分類 ,  深さ方向 ,  パラメータ化 ,  畳込み