Fugu-MT 論文翻訳(概要): Integrating global spatial features in CNN based Hyperspectral/SAR imagery classification

論文の概要: Integrating global spatial features in CNN based Hyperspectral/SAR imagery classification

arxiv url: http://arxiv.org/abs/2006.00234v2
Date: Mon, 15 Jun 2020 09:00:59 GMT
ステータス: 処理完了
システム内更新日: 2022-11-26 17:33:08.250394
Title: Integrating global spatial features in CNN based Hyperspectral/SAR imagery classification
Title（参考訳）: CNNを用いたハイパースペクトル/SAR画像分類におけるグローバル空間特徴の統合
Authors: Fan Zhang, MinChao Yan, Chen Hu, Jun Ni, Fei Ma
Abstract要約: 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。
参考スコア（独自算出の注目度）: 11.399460655843496
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: The land cover classification has played an important role in remote sensing because it can intelligently identify things in one huge remote sensing image to reduce the work of humans. However, a lot of classification methods are designed based on the pixel feature or limited spatial feature of the remote sensing image, which limits the classification accuracy and universality of their methods. This paper proposed a novel method to take into the information of remote sensing image, i.e., geographic latitude-longitude information. In addition, a dual-branch convolutional neural network (CNN) classification method is designed in combination with the global information to mine the pixel features of the image. Then, the features of the two neural networks are fused with another fully neural network to realize the classification of remote sensing images. Finally, two remote sensing images are used to verify the effectiveness of our method, including hyperspectral imaging (HSI) and polarimetric synthetic aperture radar (PolSAR) imagery. The result of the proposed method is superior to the traditional single-channel convolutional neural network.
Abstract（参考訳）: 土地被覆分類は、人間の作業を減らすために、巨大なリモートセンシング画像の中の物をインテリジェントに識別できるため、リモートセンシングにおいて重要な役割を担っている。しかし,リモートセンシング画像の画素特徴や限られた空間特徴に基づいて多くの分類手法が設計されており,その分類精度と普遍性は制限されている。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。さらに、デュアルブランチ畳み込みニューラルネットワーク(CNN)分類法を、画像の画素特性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する。そして、2つのニューラルネットワークの特徴を別の完全ニューラルネットワークと融合させ、リモートセンシング画像の分類を実現する。最後に,高スペクトル画像(HSI)と偏光合成開口レーダ(PolSAR)の2種類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。提案手法は従来の単一チャネル畳み込みニューラルネットワークよりも優れている。

関連論文リスト

Deep Learning Based Speckle Filtering for Polarimetric SAR Images. Application to Sentinel-1 [51.404644401997736]
本稿では、畳み込みニューラルネットワークを用いて偏光SAR画像のスペックルを除去するための完全なフレームワークを提案する。実験により,提案手法はスペックル低減と分解能保存の両方において例外的な結果をもたらすことが示された。
論文参考訳（メタデータ） (2024-08-28T10:07:17Z)
Unleashing the Power of Depth and Pose Estimation Neural Networks by Designing Compatible Endoscopic Images [12.412060445862842]
内視鏡画像の特性を詳細に解析し、画像とニューラルネットワークの互換性を改善する。まず,完全な画像情報の代わりに部分的な画像情報を入力するMask Image Modelling (MIM) モジュールを導入する。第2に、画像とニューラルネットワークの互換性を明確に向上させるために、内視鏡画像を強化する軽量ニューラルネットワークを提案する。
論文参考訳（メタデータ） (2023-09-14T02:19:38Z)
Semantic Labeling of High Resolution Images Using EfficientUNets and Transformers [5.177947445379688]
畳み込みニューラルネットワークとディープトランスを組み合わせた新しいセグメンテーションモデルを提案する。提案手法は,最先端技術と比較してセグメント化精度が向上することを示す。
論文参考訳（メタデータ） (2022-06-20T12:03:54Z)
SAR Despeckling Using Overcomplete Convolutional Networks [53.99620005035804]
スペックルはSAR画像を劣化させるため、リモートセンシングにおいて重要な問題である。近年の研究では、畳み込みニューラルネットワーク(CNN)が古典的解法よりも優れていることが示されている。本研究は、受容場を制限することで低レベルの特徴を学習することに集中するために、過剰なCNNアーキテクチャを用いる。本稿では,合成および実SAR画像の非特定化手法と比較して,提案手法により非特定化性能が向上することを示す。
論文参考訳（メタデータ） (2022-05-31T15:55:37Z)
New SAR target recognition based on YOLO and very deep multi-canonical correlation analysis [0.1503974529275767]
本稿では,異なるCNN層から有効な特徴を適応的に融合させることにより,SAR画像ターゲット分類のためのロバストな特徴抽出手法を提案する。 MSTARデータセットの実験により,提案手法が最先端手法より優れていることが示された。
論文参考訳（メタデータ） (2021-10-28T18:10:26Z)
Sharp-GAN: Sharpness Loss Regularized GAN for Histopathology Image Synthesis [65.47507533905188]
コンディショナル・ジェネレーショナル・ジェネレーティブ・逆境ネットワークは、合成病理像を生成するために応用されている。そこで我々は,現実的な病理像を合成するために,シャープネスロス正則化生成対向ネットワークを提案する。
論文参考訳（メタデータ） (2021-10-27T18:54:25Z)
Infrared Small-Dim Target Detection with Transformer under Complex Backgrounds [155.388487263872]
変換器を用いた赤外線小径目標検出手法を提案する。画像特徴の相互作用情報をより広い範囲で学習するために,変換器の自己認識機構を採用する。最小限のターゲットの機能を学習するための機能拡張モジュールも設計しています。
論文参考訳（メタデータ） (2021-09-29T12:23:41Z)
High Quality Remote Sensing Image Super-Resolution Using Deep Memory Connected Network [21.977093907114217]
単一画像の超解像は、ターゲット検出や画像分類といった多くの用途において重要である。本稿では,畳み込みニューラルネットワークによる高画質超解像画像の再構成手法として,DeepMemory Connected Network (DMCN)を提案する。
論文参考訳（メタデータ） (2020-10-01T15:06:02Z)
Ventral-Dorsal Neural Networks: Object Detection via Selective Attention [51.79577908317031]
我々はVDNet(Ventral-Dorsal Networks)と呼ばれる新しいフレームワークを提案する。人間の視覚システムの構造にインスパイアされた我々は「Ventral Network」と「Dorsal Network」の統合を提案する。実験の結果,提案手法は最先端の物体検出手法よりも優れていることがわかった。
論文参考訳（メタデータ） (2020-05-15T23:57:36Z)
Remote Sensing Image Scene Classification Meets Deep Learning: Challenges, Methods, Benchmarks, and Opportunities [81.29441139530844]
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。
論文参考訳（メタデータ） (2020-05-03T14:18:00Z)
Hyperspectral Images Classification Based on Multi-scale Residual Network [5.166817530813299]
ハイパースペクトルリモートセンシング画像は多くの冗長情報を含み、データ構造は非線形である。深層畳み込みニューラルネットワークの精度は高いが、訓練に少量のデータを使用すると、ディープラーニング手法の分類精度が大幅に低下する。ハイパースペクトル画像の小さなサンプルに対して,既存のアルゴリズムの分類精度の低い問題を解くために,マルチスケール残差ネットワークを提案する。
論文参考訳（メタデータ） (2020-04-26T13:46:52Z)

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。