論文の概要: Classification of Polarimetric SAR Images Using Compact Convolutional Neural Networks

• arxiv url: http://arxiv.org/abs/2011.05243v1
• Date: Tue, 10 Nov 2020 17:09:11 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 06:55:17.221956
• Title: Classification of Polarimetric SAR Images Using Compact Convolutional Neural Networks
• Title（参考訳）: コンパクト畳み込みニューラルネットワークを用いた偏光SAR画像の分類
• Authors: Mete Ahishali, Serkan Kiranyaz, Turker Ince, Moncef Gabbouj
• Abstract要約: PolSAR画像の分類には,新しい,体系的な分類フレームワークが提案されている。 スライドウインドウ分類手法を用いたCNNのコンパクトで適応的な実装に基づいている。 提案手法は深層CNNよりも小さいウィンドウサイズで分類できる。
• 参考スコア（独自算出の注目度）: 24.553598498985796
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Classification of polarimetric synthetic aperture radar (PolSAR) images is an active research area with a major role in environmental applications. The traditional Machine Learning (ML) methods proposed in this domain generally focus on utilizing highly discriminative features to improve the classification performance, but this task is complicated by the well-known "curse of dimensionality" phenomena. Other approaches based on deep Convolutional Neural Networks (CNNs) have certain limitations and drawbacks, such as high computational complexity, an unfeasibly large training set with ground-truth labels, and special hardware requirements. In this work, to address the limitations of traditional ML and deep CNN based methods, a novel and systematic classification framework is proposed for the classification of PolSAR images, based on a compact and adaptive implementation of CNNs using a sliding-window classification approach. The proposed approach has three advantages. First, there is no requirement for an extensive feature extraction process. Second, it is computationally efficient due to utilized compact configurations. In particular, the proposed compact and adaptive CNN model is designed to achieve the maximum classification accuracy with minimum training and computational complexity. This is of considerable importance considering the high costs involved in labelling in PolSAR classification. Finally, the proposed approach can perform classification using smaller window sizes than deep CNNs. Experimental evaluations have been performed over the most commonly-used four benchmark PolSAR images: AIRSAR L-Band and RADARSAT-2 C-Band data of San Francisco Bay and Flevoland areas. Accordingly, the best obtained overall accuracies range between 92.33 - 99.39% for these benchmark study sites.
• Abstract（参考訳）: ポーラリメトリック合成開口レーダ(PolSAR)画像の分類は、環境応用において大きな役割を果たす活発な研究領域である。 この領域で提案される従来の機械学習(ML)手法は一般的に、分類性能を改善するために高い差別的特徴を活用することに重点を置いている。 深層畳み込みニューラルネットワーク(CNN)に基づく他のアプローチには、高い計算複雑性、地味なラベルを持つ不可能な大規模なトレーニングセット、特別なハードウェア要件など、一定の制限と欠点がある。 本研究では,従来のMLと深部CNNに基づく手法の限界に対処するため,スライディングウインドウの分類手法を用いたCNNのコンパクトかつ適応的な実装に基づいて,PolSAR画像の分類のための新しい系統分類フレームワークを提案する。 提案手法には3つの利点がある。 まず、広範な特徴抽出のプロセスは不要である。 第二に、コンパクトな構成を利用するため、計算効率が良い。 特に,提案するコンパクトで適応的なcnnモデルは,最大分類精度を最小のトレーニングと計算複雑性で達成するために設計されている。 これはpolsar分類のラベル付けに関わる高いコストを考慮すると非常に重要である。 最後に,提案手法は深部CNNよりも小さいウィンドウサイズで分類できる。 最も一般的に使用されている4つのpolsar画像(airsar l-bandとradarsat-2 c-band data)に対して、サンフランシスコ湾とフレボランド地域の実験的評価がなされている。 したがって、得られた総合的精度は92.33から99.39%の範囲である。

関連論文リスト

• Heterogeneous Network Based Contrastive Learning Method for PolSAR Land Cover Classification [18.37842655634498]
  SL(Supervised Learning)は、高性能を実現するために大量のラベル付きPolSARデータを必要とする。 本稿では,異種ネットワークに基づくコントラスト学習法(HCLNet)を提案する。 ラベルなしのPolSARデータから高レベルな表現を学習し、マルチ機能やスーパーピクセルに応じて数ショットの分類を行う。
  論文  参考訳（メタデータ） (2024-03-29T01:05:23Z)
• The Cascaded Forward Algorithm for Neural Network Training [61.06444586991505]
  本稿では,ニューラルネットワークのための新しい学習フレームワークであるCascaded Forward(CaFo)アルゴリズムを提案する。 FFとは異なり、我々のフレームワークは各カスケードブロックのラベル分布を直接出力する。 我々のフレームワークでは、各ブロックは独立して訓練できるので、並列加速度システムに容易に展開できる。
  論文  参考訳（メタデータ） (2023-03-17T02:01:11Z)
• Pushing the Efficiency Limit Using Structured Sparse Convolutions [82.31130122200578]
  本稿では,画像の固有構造を利用して畳み込みフィルタのパラメータを削減する構造的スパース畳み込み(SSC)を提案する。 我々は、SSCが効率的なアーキテクチャにおける一般的なレイヤ(奥行き、グループ回り、ポイント回りの畳み込み)の一般化であることを示す。 SSCに基づくアーキテクチャは、CIFAR-10、CIFAR-100、Tiny-ImageNet、ImageNet分類ベンチマークのベースラインと比較して、最先端のパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-10-23T18:37:22Z)
• 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)
• A SPA-based Manifold Learning Framework for Motor Imagery EEG Data Classification [2.4727719996518487]
  本稿では,運動画像(MI)タスクから2種類の脳波データを分類するための多様体学習フレームワークを提案する。 特徴抽出のために、前処理された脳波信号から共通空間パターン(CSP)によって実装される。 分類のための特徴の近傍では、データの支持に対する局所近似が得られ、次に最も近い支持を持つクラスに特徴が割り当てられる。
  論文  参考訳（メタデータ） (2021-07-30T06:18:05Z)
• Layer-adaptive sparsity for the Magnitude-based Pruning [88.37510230946478]
  本稿では,LAMP(Layer-Adaptive magnitude-based pruning)スコアを用いたグローバルプルーニングの新たな重要点を提案する。 LAMPは、階層的な空間選択のための一般的なスキームを一貫して上回っている。
  論文  参考訳（メタデータ） (2020-10-15T09:14:02Z)
• Collaborative Training between Region Proposal Localization and Classification for Domain Adaptive Object Detection [121.28769542994664]
  オブジェクト検出のためのドメイン適応は、ラベル付きデータセットからラベル付きデータセットへの検出を適応させようとする。 本稿では,地域提案ネットワーク (RPN) と地域提案分類器 (RPC) が,大きなドメインギャップに直面した場合の転送可能性が大きく異なることを初めて明らかにする。
  論文  参考訳（メタデータ） (2020-09-17T07:39:52Z)
• Efficient Deep Learning of Non-local Features for Hyperspectral Image Classification [28.72648031677868]
  高スペクトル画像(HSI)分類のために, ENL-FCN と呼ばれる効率的な非局所モジュールを持つ深部完全畳み込みネットワーク (FCN) を提案する。 提案するフレームワークである深部FCNは、全HSIを入力とみなし、局所受容領域におけるスペクトル空間情報を抽出する。 リカレント操作を使用することで、各画素の応答はHSIの全画素から集約される。
  論文  参考訳（メタデータ） (2020-08-02T19:13:22Z)
• Unsupervised Deep Representation Learning and Few-Shot Classification of PolSAR Images [16.594052017558223]
  本稿では、教師なし深層表現学習と少数ショット分類のためのPolSAR対応コントラスト学習ネットワーク(PCLNet)を提案する。 PCLNetは、インスタンス識別のプロキシ目的に基づいて教師なし事前学習フェーズを開発し、ラベルなしのPolSARデータから有用な表現を学習する。 広く使われている2つのPolSARベンチマークデータセットの実験により、PCLNetの有効性が確認された。
  論文  参考訳（メタデータ） (2020-06-27T12:15:32Z)
• Attentive CutMix: An Enhanced Data Augmentation Approach for Deep Learning Based Image Classification [58.20132466198622]
  そこで我々は,CutMixに基づく自然拡張拡張戦略であるAttentive CutMixを提案する。 各トレーニングイテレーションにおいて、特徴抽出器から中間注意マップに基づいて最も記述性の高い領域を選択する。 提案手法は単純かつ有効であり,実装が容易であり,ベースラインを大幅に向上させることができる。
  論文  参考訳（メタデータ） (2020-03-29T15:01:05Z)

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。