文献

J-GLOBAL ID：201702219973071251   整理番号：17A0309140

多空間分解能リモートセンシング画像のための深層特徴表現とマッピング変換に基づく変化検出【Powered by NICT】

Change detection based on deep feature representation and mapping transformation for multi-spatial-resolution remote sensing images

著者 (5件)： Zhang Puzhao (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, International Research Center for Intelligent Perception and Computation, Xidian University, Xi’an, Shaanxi Province 710071, China) ,  Gong Maoguo (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, International Research Center for Intelligent Perception and Computation, Xidian University, Xi’an, Shaanxi Province 710071, China) ,  Su Linzhi (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, International Research Center for Intelligent Perception and Computation, Xidian University, Xi’an, Shaanxi Province 710071, China) ,  Liu Jia (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, International Research Center for Intelligent Perception and Computation, Xidian University, Xi’an, Shaanxi Province 710071, China) ,  Li Zhizhou (Key Laboratory of Intelligent Perception and Image Understanding of Ministry of Education, International Research Center for Intelligent Perception and Computation, Xidian University, Xi’an, Shaanxi Province 710071, China)
資料名： ISPRS Journal of Photogrammetry and Remote Sensing (International Society for Photogrammetry and Remote Sensing)  (ISPRS Journal of Photogrammetry and Remote Sensing (International Society for Photogrammetry and Remote Sensing))
巻： 116  ページ： 24-41  発行年： 2016年06月 
JST資料番号： H0048A  ISSN： 0924-2716  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 多空間分解能変化検出は,新たに提案した問題であり,リモートセンシング,環境と土地利用モニタリングなどで非常に重要である。多空間分解能画像対は同じ現実の表現の二種類があるが,それらは異なるモダリティと特性のために表面不整合することが多い。本論文では,新しいマルチ空間分解能変化検出フレームワーク,深層アーキテクチャベース教師なし特徴学習とマッピングベース特徴変化解析を組み込んだを提示した。最初に,レジストレーションにおける失われた空間的詳細を改善するために設計された,続いて詳細回復により,共レジストレーションを介して同じピクセル分解能に多重解像度画像対を変換した。第二に,ノイズ除去オートエンコーダは,与えられた画素の局所近傍からの局所的及び高水準表現/特徴を学習し,教師なし方法でために積層した。第三に,多重解像度画像対は不変領域において同じ現実を共有する事実に動機づけられ,マッピングニューラルネットワークを構築することにより,それらの間の内部関係を調査することを試みた。最もありそうもない変化した特徴対に基づく写像関数,生成される粗大初期変化地図によるすべての特徴対から選択されるを学習に用いることができる。学習済みマッピング関数を異なる表現を埋めると変化を強調できる。最後に,著者らは特徴類似性解析によるロバストと収縮変化マップを構築でき,変化検出結果は最終変化地図の分割によって得られた。実験は四つの実際のデータセット上で実施し,結果は,提案した方法の有効性と優位性を確認した。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： ロバスト性 ,  画素 ,  不変性 ,  *分解能 ,  *リモートセンシング ,  不整合 ,  相似解 ,  学習 ,  神経回路網 ,  雑音低減 ,  *画像 ,  *空間分解能
準シソーラス用語： 多重解像度画像 ,  *変化検出 ,  *リモートセンシング画像 , 【Automatic Indexing@JST】

著者キーワード (6件)： 変化検出 ,  空間分解能 ,  自動符号器雑音除去 ,  積層デノイジングオートエンコーダ ,  深神経回路網 ,  特徴変換

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 (6件)： 空間分解能 ,  リモートセンシング画像 ,  深層 ,  特徴表現 ,  マッピング ,  変化検出