論文の概要: Utilizing a Novel Deep Learning Method for Scene Categorization in Remote Sensing Data

• arxiv url: http://arxiv.org/abs/2506.22939v1
• Date: Sat, 28 Jun 2025 16:12:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-07-01 21:27:53.637697
• Title: Utilizing a Novel Deep Learning Method for Scene Categorization in Remote Sensing Data
• Title（参考訳）: リモートセンシングデータにおけるシーン分類のための新しい深層学習手法の利用
• Authors: Ghufran A. Omran, Wassan Saad Abduljabbar Hayale, Ahmad AbdulQadir AlRababah, Israa Ibraheem Al-Barazanchi, Ravi Sekhar, Pritesh Shah, Sushma Parihar, Harshavardhan Reddy Penubadi,
• Abstract要約: このファイルは、リモートセンシングデータにおけるシーンのタイプのためのCuttlefish Optimized Bidirectional Recurrent Neural Network(CO-BRNN)と呼ばれる革新的な技術を紹介する。 調査では,CO-BRNNを,多層パーセプトロン・畳み込みニューラルネットワーク(MLP-CNN),畳み込みニューラルネットワーク・ロング短期記憶(CNN-LSTM),長短期記憶・畳み込みランダムフィールド(LSTM-CRF),グラフベース(GB),マルチラベル画像検索モデル(MIRM-CF),畳み込みなど,現在の技術と比較した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Scene categorization (SC) in remotely acquired images is an important subject with broad consequences in different fields, including catastrophe control, ecological observation, architecture for cities, and more. Nevertheless, its several apps, reaching a high degree of accuracy in SC from distant observation data has demonstrated to be difficult. This is because traditional conventional deep learning models require large databases with high variety and high levels of noise to capture important visual features. To address these problems, this investigation file introduces an innovative technique referred to as the Cuttlefish Optimized Bidirectional Recurrent Neural Network (CO- BRNN) for type of scenes in remote sensing data. The investigation compares the execution of CO-BRNN with current techniques, including Multilayer Perceptron- Convolutional Neural Network (MLP-CNN), Convolutional Neural Network-Long Short Term Memory (CNN-LSTM), and Long Short Term Memory-Conditional Random Field (LSTM-CRF), Graph-Based (GB), Multilabel Image Retrieval Model (MIRM-CF), Convolutional Neural Networks Data Augmentation (CNN-DA). The results demonstrate that CO-BRNN attained the maximum accuracy of 97%, followed by LSTM-CRF with 90%, MLP-CNN with 85%, and CNN-LSTM with 80%. The study highlights the significance of physical confirmation to ensure the efficiency of satellite data.
• Abstract（参考訳）: 遠隔取得画像におけるシーン分類(SC)は、カタストロフィ制御、生態観測、都市の建築など、さまざまな分野において幅広い結果をもたらす重要な課題である。 それにもかかわらず、いくつかのアプリが、遠方の観測データからSCで高い精度に達することは困難であることが示されている。 これは、従来のディープラーニングモデルは、重要な視覚的特徴を捉えるために、多種多様で高レベルのノイズを持つ大規模なデータベースを必要とするためである。 これらの問題に対処するため、この調査ファイルでは、リモートセンシングデータ中のシーンのタイプに対して、Cuttlefish Optimized Bidirectional Recurrent Neural Network(CO-BRNN)と呼ばれる革新的な技術を導入している。 この調査は、CO-BRNNと現在の技術(MLP-CNN、CNN-LSTM、Long Short Term Memory-Conditional Random Field(LSTM-CRF)、Graph-Based(GB)、Multilabel Image Retrieval Model(MIRM-CF)、Convolutional Neural Networks Data Augmentation(CNN-DA)など)を比較した。 その結果, CO-BRNNが97%, LSTM-CRFが90%, MLP-CNNが85%, CNN-LSTMが80%であった。 この研究は、衛星データの効率性を確保するための物理的確証の重要性を強調している。

関連論文リスト

• I Can't Believe It's Not Real: CV-MuSeNet: Complex-Valued Multi-Signal Segmentation [2.8057339957917673]
  認知無線システムは、ニューラルネットワークにおける最近のイノベーションの助けを借りて、ダイナミックスペクトルアクセスを可能にする。 従来の実数値ニューラルネットワーク(RVNN)は、低信号対雑音比(SNR)環境では困難に直面している。 この研究は、広帯域スペクトルセンシングのための複素値多重信号分割ネットワークであるCMuSeNetを提示する。
  論文  参考訳（メタデータ） (2025-05-21T20:08:02Z)
• Physical Rule-Guided Convolutional Neural Network [0.0]
  物理誘導ニューラルネットワーク(PGNN)は、科学原理と現実世界の知識を統合することで限界に対処する。 本稿では,動的,トレーニング可能,自動化されたLCM生成ルールをカスタムレイヤとして組み込んだ物理誘導型CNN(PGCNN)アーキテクチャを提案する。 PGCNNは複数のデータセットで評価され、ベースラインCNNモデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-09-03T17:32:35Z)
• Ultra-low Latency Adaptive Local Binary Spiking Neural Network with Accuracy Loss Estimator [4.554628904670269]
  精度損失推定器を用いた超低レイテンシ適応型局所二元スパイクニューラルネットワーク(ALBSNN)を提案する。 実験の結果,ネットワークの精度を損なうことなく,ストレージ容量を20%以上削減できることがわかった。
  論文  参考訳（メタデータ） (2022-07-31T09:03:57Z)
• Lost Vibration Test Data Recovery Using Convolutional Neural Network: A Case Study [0.0]
  本稿では,アラモサキャニオン橋のCNNアルゴリズムを実構造として提案する。 3つの異なるCNNモデルは、1つと2つの故障したセンサーを予測するものとされた。 畳み込み層を追加することによりモデルの精度が向上した。
  論文  参考訳（メタデータ） (2022-04-11T23:24:03Z)
• Hybrid SNN-ANN: Energy-Efficient Classification and Object Detection for Event-Based Vision [64.71260357476602]
  イベントベースの視覚センサは、画像フレームではなく、イベントストリームの局所的な画素単位の明るさ変化を符号化する。 イベントベースセンサーによる物体認識の最近の進歩は、ディープニューラルネットワークの変換によるものである。 本稿では、イベントベースのパターン認識とオブジェクト検出のためのディープニューラルネットワークのエンドツーエンドトレーニングのためのハイブリッドアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2021-12-06T23:45:58Z)
• Towards Extremely Compact RNNs for Video Recognition with Fully Decomposed Hierarchical Tucker Structure [41.41516453160845]
  完全に分解された階層型タッカー(FDHT)構造を持つ非常にコンパクトなRNNモデルを提案する。 複数のポピュラービデオ認識データセットを用いた実験結果から,完全分解型階層型タッカー型lstmは極めてコンパクトかつ高効率であることがわかった。
  論文  参考訳（メタデータ） (2021-04-12T18:40:44Z)
• PredRNN: A Recurrent Neural Network for Spatiotemporal Predictive Learning [109.84770951839289]
  歴史的文脈からビジュアルダイナミクスを学習するための新しいリカレントネットワークであるPredRNNを紹介する。 本手法は,3つの標準データセット上で高い競争結果が得られることを示す。
  論文  参考訳（メタデータ） (2021-03-17T08:28:30Z)
• Progressive Tandem Learning for Pattern Recognition with Deep Spiking Neural Networks [80.15411508088522]
  スパイキングニューラルネットワーク(SNN)は、低レイテンシと高い計算効率のために、従来の人工知能ニューラルネットワーク(ANN)よりも優位性を示している。 高速かつ効率的なパターン認識のための新しいANN-to-SNN変換およびレイヤワイズ学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-07-02T15:38:44Z)
• Centimeter-Level Indoor Localization using Channel State Information with Recurrent Neural Networks [12.193558591962754]
  本稿では,線形アンテナから収集した実CSIデータを用いて,センチメートルレベルの屋内位置推定を行うニューラルネットワーク手法を提案する。 チャネル応答の振幅または相関行列を入力として使用することにより、データサイズを大幅に削減し、ノイズを抑制することができる。 また、リカレントニューラルネットワーク(RNN)と信号雑音比(SNR)情報によるユーザ動作軌跡の整合性を利用して、推定精度をさらに向上する。
  論文  参考訳（メタデータ） (2020-02-04T17:10:18Z)
• Disentangling Trainability and Generalization in Deep Neural Networks [45.15453323967438]
  我々は,ニューラルネットワークのトレーニング性と一般化のために,NTK(Neural Tangent Kernel)のスペクトルを分析した。 グローバル平均プールのないCNNはFCNとほぼ同じ挙動を示すが、プールを持つCNNは著しく異なり、しばしば一般化性能が向上している。
  論文  参考訳（メタデータ） (2019-12-30T18:53:24Z)

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。