文献

J-GLOBAL ID：202202290014757587   整理番号：22A0202742

構造化注意に基づく高分解能リモートセンシング画像キャプション【JST・京大機械翻訳】

High-Resolution Remote Sensing Image Captioning Based on Structured Attention

著者 (3件)： Zhao Rui (Image Processing Center, School of Astronautics, Beihang University, Beijing, China) ,  Shi Zhenwei (Image Processing Center, School of Astronautics, Beihang University, Beijing, China) ,  Zou Zhengxia (Department of Computational Medicine and Bioinformatics, University of Michigan at Ann Arbor, Ann Arbor, MI, USA)
資料名： IEEE Transactions on Geoscience and Remote Sensing  (IEEE Transactions on Geoscience and Remote Sensing)
巻： 60  ページ： ROMBUNNO.5603814.1-14  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： リモートセンシング画像の言語記述の自動生成は,リモートセンシング分野における最新の研究ホットスポットになった。最近の深層学習ベースキャプテーション法の代表的グループとして,注意ベースキャプテーションは,画像中の対応するオブジェクト位置を強調しながら,単語を生成する利点を共有する。標準の注意ベースの方法は,遠隔観測画像における意味内容の構造化空間関係を利用するのに失敗する,粗粒で非構造化の注意ユニットに基づくキャップを生成する。構造特性はリモートセンシング画像を自然画像に広く発散させ,リモートセンシング画像キャプテーションタスクに対して大きな課題を提起するが,ほとんどのリモートセンシングキャプテーション方法の鍵は,通常,ドメイン知識を考慮せずにコンピュータビジョンコミュニティから借り出される。この問題を克服するために,高分解能リモートセンシング画像における意味コンテンツの構造特性を利用するために,細粒で構造化された注意ベースの方法を提案した。提案手法は,より良い記述を学習し,意味コンテンツのピクセルワイズセグメンテーションマスクを生成することができる。セグメンテーションは,任意の画素的アノテーションを必要とせずに,統一フレームワークにおけるキャプテーションで共同訓練できる。評価は,詳細なアブレーション研究とパラメータ解析による3つのリモートセンシング画像キャプテーションベンチマークデータセットで行った。最先端の方法と比較して,著者らの方式は,より高いキャプテーション精度を達成して,同時にセマンティックコンテンツの高解像度で意味のあるセグメンテーションマスクを作り出すことができた。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： 言語 ,  セグメンテーション ,  画素 ,  *リモートセンシング ,  ホットスポット ,  コンピュータビジョン ,  構造特性 ,  *高分解能 ,  単語 ,  アノテーション ,  コンテンツ ,  ドメイン知識
準シソーラス用語： 自動生成 ,  *リモートセンシング画像 ,  深層学習 , 【Automatic Indexing@JST】

分類 (2件)： 図形・画像処理一般  (JE04010I) ,  写真測量,空中写真  (RC02040D)

タイトルに関連する用語 (5件)： 構造化 ,  注意 ,  高分解能 ,  リモートセンシング画像 ,  キャプション