文献

J-GLOBAL ID：202202289410026413   整理番号：22A1163212

UCDNet:2時間マルチスペクトルSentinel-2衛星画像からの都市変化検出のための深層学習モデル【JST・京大機械翻訳】

UCDNet: A Deep Learning Model for Urban Change Detection From Bi-Temporal Multispectral Sentinel-2 Satellite Images

著者 (6件)： Basavaraju K. S. (Department of Electronics and Communication Engineering, National Institute of Technology Karnataka, Mangaluru, India) ,  Sravya N. (Department of Electronics and Communication Engineering, National Institute of Technology Karnataka, Mangaluru, India) ,  Lal Shyam (Department of Electronics and Communication Engineering, National Institute of Technology Karnataka, Mangaluru, India) ,  Nalini J. (Aerial Services and Digital Mapping, National Remote Sensing Centre, Indian Space Research Organisation, Balanagar, Hyderabad, India) ,  Reddy Chintala Sudhakar (Forest Biodiversity and Ecology Division, National Remote Sensing Centre, Indian Space Research Organisation, Balanagar, Hyderabad, India) ,  Dell’Acqua Fabio (Department of Electrical, Computer and Biomedical Engineering, University of Pavia, Pavia, Italy)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5408110.1-10  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： 衛星画像からの変化検出(CD)は地球観測における避けられないプロセスとなっている。多重時間衛星画像の変化を検出する方法は,都市成長パターンの特性化とモニタリングが関係するとき,非常に有用なツールである。高い再訪問頻度を有するマルチスペクトル画像の世界的なアベイラビリティの増加は,都市CDの研究においてより多くの可能性を開く。CDのためのいくつかの深い学習法が存在するとしても,これらの利用可能な方法の大部分はエッジを予測できず,マルチスペクトル画像から変化した領域の形状を保存することができない。本論文では,都市CDネットワーク(UCDNet)と呼ばれる深層学習モデルを,二時間マルチスペクトルSentinel-2衛星画像から都市CDに対して導入した。モデルは,修正残差接続と新しい空間ピラミッドプール(NSPP)ブロックを使用するエンコーダーデコーダアーキテクチャに基づき,変化領域の形状を維持しながらより良い予測を与える。修正残差接続は,正しく変化の位置を位置決めし,そして,NSPPブロックは,マルチスケール特徴を抽出でき,そして,グローバルな文脈に関する認識を与える。UCDNetは,重み付きクラスカテゴリクロスエントロピー(WCCE)と修正Kappa損失の組合せである,提案した損失関数を使用する。1つの衛星変化検出(OSCD)データセットを用いて,ベンチマークモデルと提案モデルを訓練し,評価し,比較した。UCDNetはここで用いた参照モデルからより良い結果を与えた。それは,99.3%の精度,89.21%のF1スコア(F1),88.85%のカッパ係数(Ka),およびOSDデータセットの80.53%のJaccard指数(JI)を与える。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： *学習 ,  損失関数 ,  ネットワーク ,  頻度 ,  残差 ,  *都市 ,  アベイラビリティ ,  多重化 ,  規範モデル ,  スペクトル画像 ,  *衛星利用画像 ,  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： マルチスペクトル画像 ,  マルチスケール ,  *深層学習 , 【Automatic Indexing@JST】

分類 (2件)： リモートセンシング一般  (AD04000L) ,  図形・画像処理一般  (JE04010I)

タイトルに関連する用語 (6件)： マルチスペクトル ,  衛星画像 ,  都市 ,  変化検出 ,  深層学習 ,  モデル