論文の概要: Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities

• arxiv url: http://arxiv.org/abs/2005.01094v2
• Date: Thu, 25 Jun 2020 09:58:28 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-07 06:40:11.330225
• Title: Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities
• Title（参考訳）: リモートセンシング画像シーン分類がディープラーニングを満たす - 課題,方法,ベンチマーク,機会
• Authors: Gong Cheng, Xingxing Xie, Junwei Han, Lei Guo, Gui-Song Xia
• Abstract要約: 本稿では,160以上の論文を網羅し,リモートセンシング画像シーン分類のためのディープラーニング手法の体系的調査を行う。 リモートセンシング画像シーンの分類と調査の主な課題について論じる。 リモートセンシング画像シーン分類に使用されるベンチマークを導入し,2ダース以上の代表アルゴリズムの性能を要約する。
• 参考スコア（独自算出の注目度）: 81.29441139530844
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Remote sensing image scene classification, which aims at labeling remote sensing images with a set of semantic categories based on their contents, has broad applications in a range of fields. Propelled by the powerful feature learning capabilities of deep neural networks, remote sensing image scene classification driven by deep learning has drawn remarkable attention and achieved significant breakthroughs. However, to the best of our knowledge, a comprehensive review of recent achievements regarding deep learning for scene classification of remote sensing images is still lacking. Considering the rapid evolution of this field, this paper provides a systematic survey of deep learning methods for remote sensing image scene classification by covering more than 160 papers. To be specific, we discuss the main challenges of remote sensing image scene classification and survey (1) Autoencoder-based remote sensing image scene classification methods, (2) Convolutional Neural Network-based remote sensing image scene classification methods, and (3) Generative Adversarial Network-based remote sensing image scene classification methods. In addition, we introduce the benchmarks used for remote sensing image scene classification and summarize the performance of more than two dozen of representative algorithms on three commonly-used benchmark data sets. Finally, we discuss the promising opportunities for further research.
• Abstract（参考訳）: リモートセンシング画像の分類は、その内容に基づいたセマンティックなカテゴリのセットをラベル付けすることを目的としており、幅広い分野に応用されている。 ディープニューラルネットワークの強力な機能学習能力によって、ディープラーニングによって駆動されるリモートセンシングイメージシーン分類が注目され、大きなブレークスルーを達成した。 しかし、我々の知る限りでは、リモートセンシング画像のシーン分類におけるディープラーニングに関する最近の成果の総合的なレビューが不足している。 この分野の急速な発展を考えると,160以上の論文をカバーし,リモートセンシング画像シーン分類のためのディープラーニング手法を体系的に調査する。 具体的には,(1)自動エンコーダ型リモートセンシング画像シーン分類法,(2)畳み込みニューラルネットワーク型リモートセンシング画像シーン分類法,(3)生成型逆ネットワーク型リモートセンシング画像シーン分類法,といった,リモートセンシング画像シーン分類とサーベイの主な課題について論じる。 さらに,画像シーンのリモートセンシングに使用されるベンチマークを紹介し,一般的な3つのベンチマークデータセット上で20以上の代表的なアルゴリズムのパフォーマンスを要約する。 最後に,今後の研究に期待できる機会について論じる。

関連論文リスト

• Semi-Supervised Semantic Segmentation Based on Pseudo-Labels: A Survey [49.47197748663787]
  本総説は, 半教師付きセマンティックセグメンテーション分野における擬似ラベル手法に関する最新の研究成果について, 包括的かつ組織的に概観することを目的としている。 さらに,医用およびリモートセンシング画像のセグメンテーションにおける擬似ラベル技術の適用について検討する。
  論文  参考訳（メタデータ） (2024-03-04T10:18:38Z)
• Generic Knowledge Boosted Pre-training For Remote Sensing Images [46.071496675604884]
  Generic Knowledge Boosted Remote Sensing Pre-training (GeRSP)は、新しいリモートセンシング事前トレーニングフレームワークである。 GeRSPは、リモートセンシング理解タスクのために、リモートセンシングと自然なイメージから堅牢な表現を学ぶ。 本稿では,GeRSPが効果的にロバスト表現を統一的に学習できることを示し,リモートセンシングダウンストリームタスクの性能を向上させる。
  論文  参考訳（メタデータ） (2024-01-09T15:36:07Z)
• Remote Sensing Vision-Language Foundation Models without Annotations via Ground Remote Alignment [61.769441954135246]
  テキストアノテーションを使わずにリモートセンシング画像の視覚言語モデルを訓練する手法を提案する。 私たちの重要な洞察は、リモートセンシング画像と言語を接続するための仲介手段として、地上で撮影されたコロケーションのインターネットイメージを使用することです。
  論文  参考訳（メタデータ） (2023-12-12T03:39:07Z)
• DDIPNet and DDIPNet+: Discriminant Deep Image Prior Networks for Remote Sensing Image Classification [0.39146761527401425]
  リモートセンシング画像分類の研究は、都市計画や農業といった人間の日常業務に大きな影響を及ぼす。 本稿では,画像分類のための2つの新しいディープラーニングアーキテクチャ,すなわち識別深度画像優先ネットワークと識別深度画像優先ネットワーク+を提案する。 3つのよく知られたリモートセンシング画像データセットに対して行われた実験は、リモートセンシング画像分類にディープイメージの事前利用の有効性を判断し、最先端の結果を得た。
  論文  参考訳（メタデータ） (2022-12-20T16:39:04Z)
• Remote Sensing Image Classification using Transfer Learning and Attention Based Deep Neural Network [59.86658316440461]
  本稿では、転送学習技術とマルチヘッドアテンションスキームを活用した、深層学習に基づくRSISCフレームワークを提案する。 提案したディープラーニングフレームワークは、ベンチマークNWPU-RESISC45データセットに基づいて評価され、最高の分類精度94.7%を達成する。
  論文  参考訳（メタデータ） (2022-06-20T10:05:38Z)
• Geographical Knowledge-driven Representation Learning for Remote Sensing Images [18.79154074365997]
  リモートセンシング画像のための地理知識駆動表現学習法(GeoKR)を提案する。 各リモートセンシング画像に関連するグローバルな土地被覆製品と地理的位置を地理的知識とみなす。 ネットワーク事前トレーニングをサポートするために,大規模な事前トレーニングデータセットであるLevir-KRを提案する。
  論文  参考訳（メタデータ） (2021-07-12T09:23:15Z)
• Self-Supervised Learning of Remote Sensing Scene Representations Using Contrastive Multiview Coding [0.0]
  遠隔センシング画像分類における自己監督学習の適用可能性の分析を行う。 遠隔センシング画像分類の下流課題において,自己教師付き事前学習は自然シーン画像の教師付き事前学習よりも優れた結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-04-14T18:25:43Z)
• Rethinking of the Image Salient Object Detection: Object-level Semantic Saliency Re-ranking First, Pixel-wise Saliency Refinement Latter [62.26677215668959]
  本稿では,意味的に有意な領域を粗い位置で特定する,軽量で教師付きの深層ネットワークを提案する。 次に,これらセマンティック・サリエント領域の深層モデルを画素ワイド・サリエンシ改善として融合する。 提案手法は単純だが有効であり,本手法は主眼をオブジェクトレベルのセマンティック・リグレード問題とみなすための最初の試みである。
  論文  参考訳（メタデータ） (2020-08-10T07:12:43Z)
• Mining Cross-Image Semantics for Weakly Supervised Semantic Segmentation [128.03739769844736]
  2つのニューラルコアテンションを分類器に組み込んで、画像間のセマンティックな類似点と相違点をキャプチャする。 オブジェクトパターン学習の強化に加えて、コアテンションは他の関連する画像からのコンテキストを活用して、ローカライズマップの推論を改善することができる。 提案アルゴリズムは,これらすべての設定に対して新たな最先端性を設定し,その有効性と一般化性を示す。
  論文  参考訳（メタデータ） (2020-07-03T21:53:46Z)
• Integrating global spatial features in CNN based Hyperspectral/SAR imagery classification [11.399460655843496]
  本稿では,リモートセンシング画像の情報,すなわち地理緯度-経度情報を利用する新しい手法を提案する。 デュアルブランチ畳み込みニューラルネットワーク(CNN)分類法は,画像の画素特徴をマイニングするためのグローバル情報と組み合わせて設計されている。 高スペクトル画像(HSI)とポラリメトリック合成開口レーダ(PolSAR)画像(PolSAR)の2つのリモートセンシング画像を用いて本手法の有効性を検証した。
  論文  参考訳（メタデータ） (2020-05-30T10:00:10Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。